df_clean.apply(pd.to_numeric, errors='ignore')

在復習之前學習的pandas代碼時發現這句話 df_clean.apply(pd.to_numeric, errors='ignore') 感到十分疑惑，apply（）是什么函數，pd.to_numeric又是啥，errors=""有啥作用。

接下來一一解答：

一、map(), apply()和applymap()

　　1.map():

　　　　map() 是一個Series的函數，DataFrame結構中沒有map()。map()將一個自定義函數應用於Series結構中的每個元素(elements)。

　　　　下面舉一個例子　將w列都加1

    test1=pd.DataFrame(np.arange(12).reshape(3, 4), index=list("abc"), columns=list("WXYZ"))#先構造一個隨機的測試數據
    print(test1)
    test1["W"]=test1["W"].map(lambda x:x+1)#將w列的數都加1
    # #lambda在這里其實是在定義一個簡單的函數，一個沒有函數名的函數
    print(test1)

　　　

 

　　2.apply（）:

　　　　apply()將一個函數作用於DataFrame中的每個行或者列

　　　　下面我們將w，x列相加

　　　　按列相加

    test1['total'] = test1[['W', 'X']].apply(lambda x: x.sum(), axis=1)#按列相加
    print(test1)

 

 

 　　　　按行相加

    test1.loc['total'] = test1[['W', 'X']].apply(lambda x: x.sum(), axis=0)#按行相加
    print(test1)

 

 

 　　3.applymap（）:

　　　　將函數做用於DataFrame中的所有元素(elements)

　　　　將所有元素都加5　

def addFive(X):
    return X+5

    test1=test1.applymap(addFive)
    print(test1)

 

二、pd.to_numeric

 　　將參數轉換為數字類型。

　　errors中參數的解釋：

　　　　'raise'參數：無效的解析將引發異常

　　　　'corece'參數：將無效解析設置為NaN

　　　　'ignore'參數：無效的解析將返回輸入

　　先構造數據

    s = pd.Series(['test', '1.0', '2', '2021-12-5', 1, False, None, pd.Timestamp('2021-12-05')])
    print(s)

　　　執行raise會報錯，因為該數據里面有非數字

 pd.to_numeric(s,errors="raise")

　　執行ignore只對數字字符串轉型，其他不轉換

pd.to_numeric(s,errors="ignore")

　　執行coerce會將時間，bool，數字字符串轉換為數字，其他為NaN

pd.to_numeric(s,errors="coerce")