Python pandas apply方法的应用

mrliu133

下面是我的一个叫做revenue_data的DataFrame，我需要根据月份来判断总价格应该如何处理，要求是这样：如果月份是7、8月份，那么对应的总价格要除以30000，不是7、8月份，总价格要除以20000.我在想如何通过apply实现这个操作。求助各位大佬！！！

[td]

arrival_date_month	hotel	total_price
8	1	City Hotel	26.377266
9	1	Resort Hotel	12.437193
6	2	City Hotel	38.400599
7	2	Resort Hotel	18.932737
15	3	Resort Hotel	27.774822
14	3	City Hotel	54.811296
0	4	City Hotel	68.453941
1	4	Resort Hotel	36.497996
17	5	Resort Hotel	41.279494
16	5	City Hotel	78.440667
13	6	Resort Hotel	55.771113
12	6	City Hotel	73.355813
11	7	Resort Hotel	80.470650
10	7	City Hotel	56.180908
3	8	Resort Hotel	97.968554
2	8	City Hotel	65.881062
22	9	City Hotel	67.931298
23	9	Resort Hotel	49.247103
20	10	City Hotel	62.050656
21	10	Resort Hotel	30.790179
18	11	City Hotel	34.284156
19	11	Resort Hotel	17.405493
5	12	Resort Hotel	22.283578
4	12	City Hotel	32.068453

下面是两种不是通过apply实现目的的两种方法：
方法1：

[Python] 纯文本查看 复制代码

condition = (revenue_data.arrival_date_month==7)|(revenue_data.arrival_date_month==8)
revenue_data.loc[(revenue_data.arrival_date_month==7)|(revenue_data.arrival_date_month==8),"total_price"] /= 30000 # 转换成万欧元
revenue_data.loc[~(condition), "total_price"] = revenue_data.loc[~(condition), "total_price"] / 20000 # 转换成万欧元
revenue_data

方法2：

[Python] 纯文本查看 复制代码

for row in revenue_data.index:
    if revenue_data.loc[row, "arrival_date_month"] == 7 or revenue_data.loc[row, "arrival_date_month"] == 8:
        # print(revenue_data.loc[row, "total_price"])
        revenue_data.loc[row, "total_price"] /= 30000
    else:
        revenue_data.loc[row, "total_price"] /= 20000
revenue_data

mrliu133

revenue_data看不清楚的可以看看这个图片

super谦

revenue_data['total_price'] = revenue_data.apply(lambda x: x['total_price'] / 30000 if x["arrival_data_month"] == 7 or x["arrival_data_month"] == 8 else x['total_price'] / 20000, axis=1)

bianji

楼上正解………………

mrliu133

super谦 发表于 2021-8-24 15:01
[md]```python
revenue_data['total_price'] = revenue_data.apply(lambda x: x['total_price'] / 30000 i ...

大佬顶呱呱，你这是我想写的apply的用法，但是我一直没有写出来。看了你的代码，豁然开朗

rsnodame

其实你的方法1更好啊，比较符合pandas的优势
apply效率应该没方法1高