데이터 분석을 위한 Pandas: 10. 사용자 정의 함수 적용

Pandas에서 사용자 정의 함수를 적용하는 것은 데이터 처리와 분석의 유연성을 크게 높여줍니다. 주로 `apply()`, `applymap()`, 그리고 `map()` 메서드를 사용하여 사용자 정의 함수를 적용할 수 있습니다.

 Series에 함수 적용

apply() 메서드 사용

# python
import pandas as pd
import numpy as np

s = pd.Series([1, 2, 3, 4, 5])

def square(x):
    return x ** 2

# apply() 사용
squared = s.apply(square)
print(squared)

# 람다 함수 사용
cubed = s.apply(lambda x: x ** 3)
print(cubed)
#

map() 메서드 사용

# python
# 딕셔너리를 이용한 매핑
grade_map = {1: 'F', 2: 'D', 3: 'C', 4: 'B', 5: 'A'}
grades = s.map(grade_map)
print(grades)

# 함수를 이용한 매핑
def grade_function(x):
    if x >= 4:
        return 'Pass'
    else:
        return 'Fail'

result = s.map(grade_function)
print(result)
#

 DataFrame에 함수 적용

apply() 메서드 사용

# python
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]})

# 열 단위로 함수 적용
def column_sum(col):
    return col.sum()

column_sums = df.apply(column_sum)
print(column_sums)

# 행 단위로 함수 적용
row_sums = df.apply(sum, axis=1)
print(row_sums)

# 복잡한 함수 적용
def complex_func(row):
    return pd.Series({'sum': row.sum(), 'mean': row.mean(), 'max': row.max()})

result = df.apply(complex_func, axis=1)
print(result)
#

applymap() 메서드 사용

#:python
# 모든 요소에 함수 적용
def format_func(x):
    return f"{x:.2f}"

formatted_df = df.applymap(format_func)
print(formatted_df)
#

 그룹화된 데이터에 함수 적용

# python
df = pd.DataFrame({
    'A': ['foo', 'bar', 'foo', 'bar', 'foo', 'bar'],
    'B': [1, 2, 3, 4, 5, 6],
    'C': [2.0, 5., 8., 1., 2., 9.]
})

# 그룹별 사용자 정의 함수 적용
def custom_agg(group):
    return pd.Series({
        'B_sum': group['B'].sum(),
        'C_mean': group['C'].mean(),
        'B_first': group['B'].iloc[0]
    })

result = df.groupby('A').apply(custom_agg)
print(result)
#

 조건부 함수 적용

# python
def condition_func(x):
    if x > 3:
        return x * 2
    else:
        return x

# numpy.where 사용
df['D'] = np.where(df['B'] > 3, df['B'] * 2, df['B'])

# apply와 lambda 함수 사용
df['E'] = df['B'].apply(lambda x: x * 2 if x > 3 else x)
#

이러한 방법들을 사용하면 복잡한 데이터 처리 로직을 Pandas DataFrame과 Series에 쉽게 적용할 수 있습니다. 사용자 정의 함수를 통해 데이터 변환, 계산, 필터링 등 다양한 작업을 수행할 수 있으며, 이는 데이터 분석의 유연성과 효율성을 크게 향상시킵니다.

#파이썬 #Python #데이터분석 #dataanalysis #사용자정의함수 #pandas #apply #custom-functions #lambdafunctions #map #lambda