Python 使用apply和lambda在收集值的数据帧中进行迭代

我的例子是虚构的。我想用apply（）和lambda来解决这个问题，尽管我也尝试过iterrows（），但运气不佳。我试图向df2添加一列，该列根据每个df2行中的“项”组合查找df1中的值。提前感谢你的帮助

import pandas as pd
import numpy as np
import random

names= ['A', 'B', 'C', 'D', 'E']

df1 = pd.DataFrame( np.arange(25).reshape(5,5), columns = names, index = names)

n=5
data = {'Item 1' : random.sample(names, n),
        'Item 2' : random.sample(names, n)}
df2 = pd.DataFrame(data)

#I can't get this to work. 
df2['New'] = df2.apply(lambda x: df1.loc[df2.loc[x, 'Item 1'], df2.loc[x, 'Item 2']], axis=1)

#Since this works, I assume my error with apply and lambda.  Thanks.
x=2
df1.loc[df2.loc[x, 'Item 1'], df2.loc[x, 'Item 2']]

输出：

>>> df2
  Item 1 Item 2  new
0      D      A   15
1      B      B    6
2      A      D    3
3      E      C   22
4      C      E   14

---

这就是你想要的吗？如果不是，请添加您想要查看的示例输出。

我一般避免使用

apply

，特别是在lambda函数中使用

loc

调用。随着时间的推移，这将变得非常缓慢

改用

numpy

的矢量化：

r = df2['Item 1'].map(dict(zip(df1.index, np.arange(len(df1.index)))))
c = df2['Item 2'].map(dict(zip(df1.columns, np.arange(len(df1.columns)))))

df2['new'] = df1.to_numpy()[r, c]

---

对这很好。非常感谢你。我移动了几次支架，但没有看到。括号内的内容可能会令人困惑。除了lambda之外，我只使用了df2.loc[x，‘Item 1’]谢谢。它看起来不错，可以帮助我扩展技能。我试过了，但由于出现错误，必须使用较旧的版本，“DataFrame”对象没有“to numpy”属性，因为它是用于类的，所以我坚持使用该版本。@Glenn使用

。value

而不是

to numpy（）

。这样就行了。我使用

apply

和

loc

获得了正确答案，与上述解决方案相同。再次感谢您的跟进。老实说，我现在对

apply

和

loc

比较满意，但我完全理解您关于效率的观点。“我需要更深入地研究这一行，以完全采纳这种想法。”“格伦：是的，这是正确的答案。但我的是矢量化，这要快得多（对于更大的数据集）。这就是关键区别：p@rafaelc我好久没见到你了，很高兴看到这个矢量化解决方案；）

r = df2['Item 1'].map(dict(zip(df1.index, np.arange(len(df1.index)))))
c = df2['Item 2'].map(dict(zip(df1.columns, np.arange(len(df1.columns)))))

df2['new'] = df1.to_numpy()[r, c]