apply() auf Spalten und Zeilen

DataFrame.apply() führt eine benutzerdefinierte Python-Funktion für jede Spalte (axis=0) oder jede Zeile (axis=1) aus. Es ist das Mittel der letzten Wahl – langsamer als integrierte vektorisierte Operationen –, aber unverzichtbar, wenn sich eine Berechnung nicht mit NumPy-Arithmetik, boolescher Indexierung oder integrierten Aggregationsfunktionen ausdrücken lässt. Verwenden Sie es, wenn Sie komplexe bedingte Logik, eine benutzerdefinierte String-Analyse oder mehrstufige Berechnungen benötigen, die jeweils auf einer einzelnen Zeile oder Spalte arbeiten.

Mit axis=0 (der Standardeinstellung) übergibt apply() jede Spalte als Series an die Funktion. Die Funktion erhält jeweils eine Spalte und sollte einen Skalar (für eine Aggregation) oder eine Series (für eine Transformation) zurückgeben. Das ist nützlich, um in einem Aufruf einheitlich auf alle numerischen Spalten eine benutzerdefinierte Normalisierung oder Bereinigung anzuwenden.

Mit axis=1 übergibt apply() jede Zeile als Series an die Funktion. Der Index der Zeile entspricht dem Spaltennamen, sodass Sie über den Namen auf Werte zugreifen können. Das ist ideal für Berechnungen auf Zeilenebene, die von mehreren Spalten abhängen, etwa für die Berechnung des Gesamtumsatzes nach Steuern, wenn jede Zeile ihren eigenen Steuersatz enthält.

Eine an apply(axis=1) übergebene Funktion kann eine pd.Series mit benannten Einträgen zurückgeben, die Pandas in mehrere neue Spalten aufteilt. Das ist übersichtlicher, als apply() zweimal für zwei neue Spalten aufzurufen. Alternativ kann die Funktion ein dict zurückgeben, das Pandas ebenfalls in Spalten aufteilt.

Verwenden Sie apply(func, axis=0), um für jede Spalte eine benutzerdefinierte Kennzahl zu berechnen und eine zusammenfassende Series zurückzugeben. Sie können beispielsweise in einem Aufruf für jede numerische Spalte den Variationskoeffizienten (Standardabweichung geteilt durch Mittelwert) berechnen. Das Ergebnis ist eine nach Spaltennamen indizierte Series, die sich für eine schnelle Diagnose pro Spalte eignet.

Prüfen Sie vor der Verwendung von apply() immer, ob eine vektorisierte Alternative existiert. Für die Berechnung des Umsatzes nach Steuern bewirkt df['price'] * df['quantity'] * (1 + df['tax_rate']) dasselbe wie die Variante mit apply(axis=1), läuft aber 10- bis 100-mal schneller, da sie Schleifen auf C-Ebene von NumPy verwendet. Verwenden Sie apply() nur in Fällen, in denen vektorisierte Logik unleserlich komplex wäre.

Für kurze Transformationen in einer Zeile übergeben Sie direkt eine lambda-Funktion an apply(), statt eine benannte Funktion zu definieren. Lambdas sind für einfache Operationen kompakt, sollten aber bei komplexer Logik vermieden werden, wenn eine benannte Funktion mit Kommentaren leichter zu verstehen und zu testen ist. Verwenden Sie Lambdas sparsam – sie lassen sich nicht einfach über ihren Namen in Unit-Tests prüfen oder profilieren.

Übergeben Sie zusätzliche Argumente mit dem args-Tupel oder als Schlüsselwortargumente in apply(func, args=(val,), axis=1) an Ihre Funktion. Dadurch vermeiden Sie globale Variablen innerhalb der Funktion und können die Funktion mit unterschiedlichen Parameterwerten wiederverwenden. In Python 3.8 und höher können Sie auch functools.partial verwenden, um eine teilweise angewendete Version der Funktion zu erstellen.

Wenn eine Spalte gemischte Typen enthält – einige Ganzzahlen, einige Gleitkommazahlen und einige Zeichenfolgen –, löst astype() einen Fehler aus. Verwenden Sie apply(pd.to_numeric, errors='coerce'), um die Konvertierung zeilenweise zu versuchen und für nicht konvertierbare Werte NaN zurückzugeben. Dies ist ein sicheres Muster für Spalten, die numerisch sein sollten, aber gelegentlich nichtnumerische Einträge aufgrund von Eingabefehlern enthalten.

Wenn eine auf Skalarwerte angewendete Funktion elementweise ausgeführt werden muss, ist np.vectorize(func)(array) typischerweise schneller als Series.apply(func), da NumPys vectorize über C dispatcht und dadurch den Overhead von Python-Funktionsaufrufen vermeidet. np.vectorize ist jedoch weiterhin langsamer als echtes Broadcasting und daher nur dann sinnvoll, wenn sich die Logik nicht durch einen Broadcasting-Ausdruck abbilden lässt.

Apply ist das richtige Werkzeug, wenn: (1) die Logik gleichzeitig Verzweigungen anhand mehrerer Spaltenwerte erfordert; (2) die Funktion pro Zeile eine externe API oder Datenbank aufruft, was unvermeidlich sequenziell erfolgt; (3) die Funktion eine komplexe Zeichenfolge wie ein in einer Zelle gespeichertes JSON-Objekt analysiert; oder (4) die Funktion ein Objekt variabler Länge wie eine Liste zurückgibt. In allen anderen Fällen sollten Sie aus Gründen der Geschwindigkeit und Lesbarkeit vektorisierte Operationen bevorzugen.

In dieser Lektion haben Sie Folgendes gelernt: mit apply(axis=0) spaltenbezogene benutzerdefinierte Statistiken zu berechnen, mit apply(axis=1) zeilenbezogene Berechnungen mit mehreren Spalten als Eingabe durchzuführen und zu erkennen, wann aus Performance-Gründen vektorisierte Alternativen vorzuziehen sind. Als Nächstes sehen wir uns apply() mit GroupBy für komplexe Aggregationen auf Gruppenebene an.