Python Pandas-在applymap期间检索每个元素的行和列名

我试图比较两个字符串列表的相似性，并将它们显示在一个数据框中以供检查；所以我使用1个列表作为索引，另一个作为列列表。然后我想计算它们的“Levenshtein相似度”（一个比较两个单词之间相似度的函数）

我试图通过使用apply map实现这一点，它将进入每个单元格，并将单元格索引与单元格列进行比较。但我怎么能做到呢？或者也许会有更简单的方法

things = ['car', 'bike', 'sidewalk', 'eatery']
action = ['walking', 'caring', 'biking', 'eating']
matrix = pd.DataFrame(index = things, columns = action)

def lev(x):
    x = Levenshtein.distance(x.index, x.column)  
matrix.applymap(lev)

到目前为止，我使用了下面的方法，但我发现它既笨拙又缓慢

matrix = pd.DataFrame(data = [action for i in things], index = things, columns = action)
for i, values in matrix.iterrows():
    for j, value in enumerate(values):
        matrix.ix[i,j] = Levenshtein.distance(i, value) 

我认为您可以使用和作为列值使用

。name

：

def lev(x):
    #replace your function
    return x.index + x.name
a = matrix.apply(lev)
print (a)
                  walking          caring          biking          eating
car            carwalking       carcaring       carbiking       careating
bike          bikewalking      bikecaring      bikebiking      bikeeating
sidewalk  sidewalkwalking  sidewalkcaring  sidewalkbiking  sidewalkeating
eatery      eaterywalking    eaterycaring    eaterybiking    eateryeating

编辑：

如果需要一些算术运算，请使用：

或：

您可以通过“嵌套

apply

”执行此操作，如下所示：

things = ['car', 'bike', 'sidewalk', 'eatery']
action = ['walking', 'caring', 'biking', 'eating']
matrix = pd.DataFrame(index=things, columns=action)
matrix.apply(lambda x: pd.DataFrame(x).apply(lambda y: LD(x.name, y.name), axis=1))

输出：

          walking  caring  biking  eating
car             6       3       6       5
bike            6       5       3       5
sidewalk        7       8       7       8
eatery          6       5       6       3

---

这里调用

pd.DataFrame（x）

是因为

x

是一个

Series

对象，

Series.apply

类似于

applymap

，它不携带

索引

或

列

信息。

。但是，如果有一个矢量化/元素化的操作，是否就没有办法实现这一点？你所做的基本上就是我用它所做的事情，这取决于你需要什么。如果只需要一些算术运算，请使用numpy。我明白了，谢谢，但我不是在做算术运算，而是像问题中那样对每个单元格应用一个简单的函数。我认为applymap，作为一个元素方法就可以了。是的，但是它与

applymap

中的索引和列值没有关系-通过

a.applymap（lambda x:print（x））

检查它，所以我知道我无论如何都必须使用apply/iterrows进行迭代。有点失望，但是太赫兹

things = ['car', 'bike', 'sidewalk', 'eatery']
action = ['walking', 'caring', 'biking', 'eating']
matrix = pd.DataFrame(index=things, columns=action)
matrix.apply(lambda x: pd.DataFrame(x).apply(lambda y: LD(x.name, y.name), axis=1))

          walking  caring  biking  eating
car             6       3       6       5
bike            6       5       3       5
sidewalk        7       8       7       8
eatery          6       5       6       3