Python 将方法应用于熊猫中的多个数据集

我想使用

.assign

方法将多个lambda函数分配给多个数据集。到目前为止，我尝试了for循环，但没有成功：

a = pd.DataFrame({'a': np.arange(5),
                  'b': np.arange(5)})

b = pd.DataFrame({'a': np.arange(5,10),
                  'b': np.arange(5,10)})

for data in [a,b]:
    data.assign(c = lambda x: x.a+x.b,
                d = lambda x: x.a^x.b)

编辑：

以下操作也不起作用：

for data in [a,b]:
    data = data.assign(c = lambda x: x.a+x.b,
                d = lambda x: x.a^x.b)

---

这不起作用的主要原因是，

asign

不会修改现有的dataframe，而是返回一个新的dataframe对象

您要做的是将相同的函数应用于多个对象，这正是

map

函数的作用：

def分配（df）：
返回df.assign（c=lambda x:x.a+x.b，
d=λx:x.a^x.b）
（a，b）=映射（分配（a，b））

更一般的解决方案如下：

#假设我们无法控制以下代码行：
数据帧=（a，b）
#我们仍然可以使用相同的解决方案：
数据帧=元组（映射（分配，数据帧））
打印（数据帧[0]）

关于您的编辑，这不起作用的原因有点有趣。这在您的代码中可能不明显，但在下面的代码中：

a=[1,2,3]
数据=a
数据=[4,5,6]
打印（数据）

这里很清楚，这个输出是

[4,5,6]

而不是

[1,2,3]

您的代码和最后一个代码中发生的情况是相同的：

data=a

：

data

绑定到与

a

相同的对象（分别为

b

）

data=…

：创建一个新的绑定，保持

a

的现有绑定未被触及（因为

data

仅绑定到与

a

相同的对象，

data

从来都不是

a

） 最后，

对于[a，b]中的数据：

并不意味着

数据

在下一次迭代中将成为

a

（分别为

b

）的别名。（这是您在编写本文时所期望的。）相反，对于[a，b]中的数据：相当于：

data=a
#第一次迭代
数据=b
#第二次迭代

这不起作用，因为

asign

不会修改现有的数据帧，而是返回一个新的数据帧对象。我想实际上您想要一个适用于任意数量数据帧的解决方案？请查看此答案，谢谢！我编辑了这个问题，因为我忘了放一个

data=data.assign…

你应该让你的代码保持原样，否则人们阅读答案时，问题将不理解发生了什么^^^我也编辑了，以获得这个问题的完整答案。我希望这是有意义的，如果您有任何问题，请告诉我，因为我认为这是一个有趣的问题/答案，以便正确和明确。