Python 在int和series之差的数据帧计数幂上应用函数

我正在尝试使用apply函数向dataframe添加一个新列。我需要计算第0行和所有其他行中X和Y坐标之间的距离，我创建了以下逻辑：

import pandas as pd
import numpy as np
data = {'X':[0,0,0,1,1,5,6,7,8],'Y':[0,1,4,2,6,5,6,4,8],'Value':[6,7,4,5,6,5,6,4,8]}
df = pd.DataFrame(data)

def countDistance(lat1, lon1, lat2, lon2):
        print(lat1, lon1, lat2, lon2)
        #use basic knowledge about triangles - values are in meters
        distance = np.sqrt(np.power(lat1-lat2,2)+np.power(lon1-lon2,2))
        return distance

def recModif(df):
        x = df.loc[0,'X']
        y = df.loc[0,'Y']
        df['dist'] = df.apply(lambda n: countDistance(x,y,df['X'],df['Y']), axis=1)
        #more code will come here

recModif(df)

但这总是返回错误：

ValueError:传递的项目数错误9，位置意味着

---

我认为，由于x和y是标量，所以使用

np.repeat

可能会有帮助，但没有，错误仍然是一样的。我看到了类似的帖子，例如，但是使用简单的乘法，如何实现我所需要的减法？

在

.apply（）

中的变量名被弄乱了，并且与外部范围冲突。避免这种情况，代码就会起作用

df['dist'] = df.apply(lambda row: countDistance(x,y,row['X'],row['Y']), axis=1)

df
   X  Y  Value       dist
0  0  0      6   0.000000
1  0  1      7   1.000000
2  0  4      4   4.000000
3  1  2      5   2.236068
4  1  6      6   6.082763
5  5  5      5   7.071068
6  6  6      6   8.485281
7  7  4      4   8.062258
8  8  8      8  11.313708

还要注意，np.power（）和np.sqrt（）已经矢量化，因此.apply本身对于给定的数据集是多余的：

countDistance(x,y,df['X'],df['Y'])

Out[154]: 
0     0.000000
1     1.000000
2     4.000000
3     2.236068
4     6.082763
5     7.071068
6     8.485281
7     8.062258
8    11.313708
dtype: float64

---

.apply（）

中的变量名出错，并与外部作用域冲突。避免这种情况，代码就会起作用

df['dist'] = df.apply(lambda row: countDistance(x,y,row['X'],row['Y']), axis=1)

df
   X  Y  Value       dist
0  0  0      6   0.000000
1  0  1      7   1.000000
2  0  4      4   4.000000
3  1  2      5   2.236068
4  1  6      6   6.082763
5  5  5      5   7.071068
6  6  6      6   8.485281
7  7  4      4   8.062258
8  8  8      8  11.313708

还要注意，np.power（）和np.sqrt（）已经矢量化，因此.apply本身对于给定的数据集是多余的：

countDistance(x,y,df['X'],df['Y'])

Out[154]: 
0     0.000000
1     1.000000
2     4.000000
3     2.236068
4     6.082763
5     7.071068
6     8.485281
7     8.062258
8    11.313708
dtype: float64

解决方案 试试这个：

##方法1
df['dist']=（（df.X-df.X[0]）**2+（df.Y-df.Y[0]）**2）**0.5
##方法2:。应用（）
x、 y=df.x[0]，df.y[0]
df['dist']=df.apply（λ行：（（行X-X）**2+（行Y-Y）**2）**0.5，轴=1）

输出：

#打印（df.to_标记（index=False））
|X | Y |值|距离|
|----:|----:|--------:|---------:|
|   0 |   0 |       6 |  0       |
|   0 |   1 |       7 |  1       |
|   0 |   4 |       4 |  4       |
|   1 |   2 |       5 |  2.23607 |
|   1 |   6 |       6 |  6.08276 |
|   5 |   5 |       5 |  7.07107 |
|   6 |   6 |       6 |  8.48528 |
|   7 |   4 |       4 |  8.06226 |
|   8 |   8 |       8 | 11.3137  |

虚拟数据

将熊猫作为pd导入
数据={
“X”：[0,0,0,1,1,5,6,7,8]，
“Y”：[0,1,4,2,6,5,6,4,8]，
“值”：[6,7,4,5,6,5,6,4,8]
}
df=pd.DataFrame（数据）

解决方案 试试这个：

##方法1
df['dist']=（（df.X-df.X[0]）**2+（df.Y-df.Y[0]）**2）**0.5
##方法2:。应用（）
x、 y=df.x[0]，df.y[0]
df['dist']=df.apply（λ行：（（行X-X）**2+（行Y-Y）**2）**0.5，轴=1）

输出：

#打印（df.to_标记（index=False））
|X | Y |值|距离|
|----:|----:|--------:|---------:|
|   0 |   0 |       6 |  0       |
|   0 |   1 |       7 |  1       |
|   0 |   4 |       4 |  4       |
|   1 |   2 |       5 |  2.23607 |
|   1 |   6 |       6 |  6.08276 |
|   5 |   5 |       5 |  7.07107 |
|   6 |   6 |       6 |  8.48528 |
|   7 |   4 |       4 |  8.06226 |
|   8 |   8 |       8 | 11.3137  |

虚拟数据

将熊猫作为pd导入
数据={
“X”：[0,0,0,1,1,5,6,7,8]，
“Y”：[0,1,4,2,6,5,6,4,8]，
“值”：[6,7,4,5,6,5,6,4,8]
}
df=pd.DataFrame（数据）

为了实现您的最终目标，我建议将函数recModif更改为：

def recModif(df):
    x = df.loc[0,'X']
    y = df.loc[0,'Y']
    df['dist'] = countDistance(x,y,df['X'],df['Y'])
    #more code will come here

这个输出

X   Y   Value   dist
0   0   0   6   0.000000
1   0   1   7   1.000000
2   0   4   4   4.000000
3   1   2   5   2.236068
4   1   6   6   6.082763
5   5   5   5   7.071068
6   6   6   6   8.485281
7   7   4   4   8.062258
8   8   8   8   11.313708

---

为了实现您的最终目标，我建议将函数recModif更改为：

def recModif(df):
    x = df.loc[0,'X']
    y = df.loc[0,'Y']
    df['dist'] = countDistance(x,y,df['X'],df['Y'])
    #more code will come here

这个输出

X   Y   Value   dist
0   0   0   6   0.000000
1   0   1   7   1.000000
2   0   4   4   4.000000
3   1   2   5   2.236068
4   1   6   6   6.082763
5   5   5   5   7.071068
6   6   6   6   8.485281
7   7   4   4   8.062258
8   8   8   8   11.313708

---

@鲁丽，请看看这个。如果你有任何问题，请告诉我。这不算我需要的，你可以省略减法here@Ruli更新了解决方案。请现在检查。@Ruli请看一下这个。如果你有任何问题，请告诉我。这不算我需要的，你可以省略减法here@Ruli更新了解决方案。请现在检查。