1.單列運算

在Pandas中，DataFrame的一列就是一個Series, 可以通過map來對一列進行操作：

df['col2'] = df['col1'].map(lambda x: x**2)

其中l(wèi)ambda函數(shù)中的x代表當(dāng)前元素?？梢允褂昧硗獾暮瘮?shù)來代替lambda函數(shù)，例如：

define square(x):
    return (x ** 2)
df['col2'] = df['col1'].map(square)

2.多列運算

要對DataFrame的多個列同時進行運算，可以使用apply，例如col3 = col1 + 2 * col2:

df['col3'] = df.apply(lambda x: x['col1'] + 2 * x['col2'], axis=1)

其中x帶表當(dāng)前行，可以通過下標(biāo)進行索引。

3.分組運算

可以結(jié)合groupby與transform來方便地實現(xiàn)類似SQL中的聚合運算的操作：

df['col3'] = df.groupby('col1')['col2'].transform(lambda x: (x.sum() - x) / x.count())

在transform函數(shù)中x.sum()與x.count()與SQL類似，計算的是當(dāng)前group中的和與數(shù)量，還可以將transform的結(jié)果作為一個一個映射來使用， 例如：

sumcount = df.groupby('col1')['col2'].transform(lambda x: x.sum() + x.count())
df['col1'].map(sumcount)

對col1進行一個map，得到對應(yīng)的col2的運算值。

4.聚合函數(shù)

結(jié)合groupby與agg實現(xiàn)SQL中的分組聚合運算操作，需要使用相應(yīng)的聚合函數(shù)：

df['col2'] = df.groupby('col1').agg({'col1':{'col1_mean': mean, 'col1_sum‘’: sum}, 'col2': {'col2_count': count}})