Python 将函数应用于多列和多行

我有一个数据帧，行和列中有连续的像素坐标“xpos”，“ypos”，我想计算连续像素之间每条路径的角度（以度为单位）。目前，我有下面介绍的解决方案，它可以很好地工作，而且我的文件的大小足够快，但是遍历所有行似乎不是这样做的方法。我知道如何将函数应用于不同的列，以及如何将函数应用于不同的列行，但不知道如何将两者结合起来

这是我的密码：

fix_df = pd.read_csv('fixations_out.csv')

# wyliczanie kąta sakady
temp_list=[]
for count, row in df.iterrows():
    x1 = row['xpos']
    y1 = row['ypos']
    try:
        x2 = df['xpos'].ix[count-1]
        y2 = df['ypos'].ix[count-1]
        a = abs(180/math.pi * math.atan((y2-y1)/(x2-x1)))
        temp_list.append(a)
    except KeyError:
        temp_list.append(np.nan)

然后我将临时列表插入df

编辑： 实施了评论中的提示后，我有：

df['diff_x'] = df['xpos'].shift() - df['xpos']
df['diff_y'] = df['ypos'].shift() - df['ypos']

def calc_angle(x):
    try:
        a = abs(180/math.pi * math.atan((x.diff_y)/(x.diff_x)))
        return a
    except ZeroDivisionError:
        return 0

df['angle_degrees'] = df.apply(calc_angle, axis=1)

我比较了我的df的三个解决方案的时间（df的大小约为6k行），迭代速度比apply慢近9倍，比不使用apply时慢约1500倍：

迭代解决方案的执行时间，包括将新列插入回df:1,51s

无迭代的解决方案执行时间，应用：0.17s

EdChum使用diff（）执行已接受答案的时间，无迭代，无应用：0.001s

---

建议：不要使用迭代或应用，始终尝试使用矢量化计算；）它不仅更快，而且更具可读性。

您可以通过以下方法来实现这一点，我将pandas方法与您的方法进行了比较，速度快了1000倍以上，而无需将列表作为新列添加回去！这是在10000行数据帧上完成的

In [108]:

%%timeit
import numpy as np
df['angle'] = np.abs(180/math.pi * np.arctan(df['xpos'].shift() - df['xpos']/df['ypos'].shift() - df['ypos']))

1000 loops, best of 3: 1.27 ms per loop

In [100]:

%%timeit
temp_list=[]
for count, row in df.iterrows():
    x1 = row['xpos']
    y1 = row['ypos']
    try:
        x2 = df['xpos'].ix[count-1]
        y2 = df['ypos'].ix[count-1]
        a = abs(180/math.pi * math.atan((y2-y1)/(x2-x1)))
        temp_list.append(a)
    except KeyError:
        temp_list.append(np.nan)
1 loops, best of 3: 1.29 s per loop

此外，如果可能，请避免使用

apply

，因为这是按行操作的，如果您可以找到一种可用于整个系列或数据帧的矢量化方法，则始终首选此方法

更新

由于您只是从上一行进行减法运算，因此此

diff

的内置方法会产生更快的代码：

In [117]:

%%timeit
import numpy as np
df['angle'] = np.abs(180/math.pi * np.arctan(df['xpos'].diff(1)/df['ypos'].diff(1)))

1000 loops, best of 3: 1.01 ms per loop

另一次更新

还有一种内置的方法用于序列和数据帧划分，这现在可以节省更多的时间，并且我可以实现低于1ms的时间：

In [9]:

%%timeit
import numpy as np
df['angle'] = np.abs(180/math.pi * np.arctan(df['xpos'].diff(1).div(df['ypos'].diff(1))))

1000 loops, best of 3: 951 µs per loop

---

首先，您可以将差异计算为

df['xpos'].shift（）-df['xpos']

，而不是按行计算，然后你可以在整列上使用你的函数计算角度。我已经更新了我的答案，我得到的性能不到1ms，这比

abs

要快很多个数量级。abs在第一种情况下应该是

np。abs

？@joris，是的，为了保持一致性，但是1.27ms和1.29ms没有什么区别，不过我会更新答案，谢谢