Python 熊猫应用于dataframe列以返回多个带后缀的列

需要对每列返回2列（col_sin和col_cos）的列进行sin和cos转换

def transform(data, var):
    sin_ = np.sin(data - var)
    cos_ = np.cos(data - var)
    return pd.Series([sin_, cos_], index=['sin', 'cos']

返回（由于COL与实际传递的COL不同，因此数字不正确）：

预期输出应该有4列：col1_sin、col1_cos、col2_sin和col2_cos

我怎样才能做到这一点

还有一种方法可以将var作为列表/元组传递，其中var[0]用于col1，var[1]用于col2吗？大概是这样的：

df = df.apply(transform, axis=0, var=[0, 60])

有没有办法用raw=True来加快速度？像这样的事情是行不通的

def transform(data, var):
    sin_ = np.sin(data - var)
    cos_ = np.cos(data - var)
    return np.column_stack((sin_, cos_))

---

谢谢

无需在此处应用

。您应该传递整个数据帧。我们可以
concat
和
添加后缀
，以获得正确的名称。使用
np.broadcast\u to
我们可以处理单个偏移量或形状正确的列表/数组：

import pandas as pd
import numpy as np

def transform(data, var, degrees=True):
    """
    data : pd.DataFrame
    var : numeric, or list/array of numerics. Should be 
          broadcastable to data.shape
    """
    data = data - np.broadcast_to(var, data.shape)
    # data = data - var # also works for compatible shapes         

    if degrees:
        data = np.radians(data)

    return pd.concat([np.sin(data).add_suffix('_sin'),
                      np.cos(data).add_suffix('_cos')],
                     axis=1)


无需在此处应用
。您应该传递整个数据帧。我们可以
concat
和
添加后缀
，以获得正确的名称。使用
np.broadcast\u to
我们可以处理单个偏移量或形状正确的列表/数组：

import pandas as pd
import numpy as np

def transform(data, var, degrees=True):
    """
    data : pd.DataFrame
    var : numeric, or list/array of numerics. Should be 
          broadcastable to data.shape
    """
    data = data - np.broadcast_to(var, data.shape)
    # data = data - var # also works for compatible shapes         

    if degrees:
        data = np.radians(data)

    return pd.concat([np.sin(data).add_suffix('_sin'),
                      np.cos(data).add_suffix('_cos')],
                     axis=1)


简单for循环
可以通过沿列名使用simple for循环，并添加sin/cos列来获得结果。我测试了一百万列，不到一秒钟就完成了

df=pd.DataFrame（np.random.uniform（低=0，高=3.14，大小=（1000000，2）），列=['column1'，'column2']）
var=[0,5]
对于idx，枚举中的列（df.columns）：
df[column+''u sin']=np.sin（df[column]-var[idx]）
df[column+'_cos']=np.cos（df[column]-var[idx]）
df.head（）

它将为您提供如下输出

    column1     column2     column1_sin     column1_cos     column2_sin     column2_cos
0   1.977094    0.705613    0.918590    -0.395211   0.648500    0.761214
1   2.138289    2.246560    0.843252    -0.537519   0.780229    -0.625493
2   2.947415    1.716964    0.192960    -0.981207   0.989336    -0.145648
3   1.738969    0.748142    0.985892    -0.167381   0.680278    0.732954
4   1.136741    1.190389    0.907268    0.420554    0.928513    0.371299

另一种选择
更改轴=1并返回pd.Series。
示例代码是

d = {'col1': [0, 15, 30, 45, 60], 'col2': [0, 60, 180, 240, 300]}
df = pd.DataFrame(data=d)
def transform(data, var):
    return np.sin(data-var).add_suffix('_sin').append(np.cos(data-var).add_suffix('_cos'))

df.apply(transform, axis=1, var=[10,20])

这给了你输出

    col1_sin    col2_sin    col1_cos    col2_cos
0   0.544021    -0.912945   -0.839072   0.408082
1   -0.958924   0.745113    0.283662    -0.666938
2   0.912945    0.219425    0.408082    -0.975629
3   -0.428183   0.088399    -0.903692   0.996085
4   -0.262375   -0.387809   0.964966    -0.921740

简单for循环
可以通过沿列名使用simple for循环，并添加sin/cos列来获得结果。我测试了一百万列，不到一秒钟就完成了

df=pd.DataFrame（np.random.uniform（低=0，高=3.14，大小=（1000000，2）），列=['column1'，'column2']）
var=[0,5]
对于idx，枚举中的列（df.columns）：
df[column+''u sin']=np.sin（df[column]-var[idx]）
df[column+'_cos']=np.cos（df[column]-var[idx]）
df.head（）

它将为您提供如下输出

    column1     column2     column1_sin     column1_cos     column2_sin     column2_cos
0   1.977094    0.705613    0.918590    -0.395211   0.648500    0.761214
1   2.138289    2.246560    0.843252    -0.537519   0.780229    -0.625493
2   2.947415    1.716964    0.192960    -0.981207   0.989336    -0.145648
3   1.738969    0.748142    0.985892    -0.167381   0.680278    0.732954
4   1.136741    1.190389    0.907268    0.420554    0.928513    0.371299

另一种选择
更改轴=1并返回pd.Series。
示例代码是

d = {'col1': [0, 15, 30, 45, 60], 'col2': [0, 60, 180, 240, 300]}
df = pd.DataFrame(data=d)
def transform(data, var):
    return np.sin(data-var).add_suffix('_sin').append(np.cos(data-var).add_suffix('_cos'))

df.apply(transform, axis=1, var=[10,20])

这给了你输出

    col1_sin    col2_sin    col1_cos    col2_cos
0   0.544021    -0.912945   -0.839072   0.408082
1   -0.958924   0.745113    0.283662    -0.666938
2   0.912945    0.219425    0.408082    -0.975629
3   -0.428183   0.088399    -0.903692   0.996085
4   -0.262375   -0.387809   0.964966    -0.921740

用于传递所有
DataFrame
，如果
var
是与列数相同大小的列表，也可以减去它们，将DataFrames连接在一起并返回具有新列名称的DataFrame：

def transform(data, var):
    sin_ = np.sin(data - var)
    cos_ = np.cos(data - var)
    arr =  np.column_stack((sin_, cos_))
    c = (data.columns + '_sin').tolist() + (data.columns + '_cos').tolist()
    return pd.DataFrame(arr, index=df.index, columns=c)

d = {'col1': [0, 15, 30, 45, 60], 'col2': [0, 60, 180, 240, 300]}
df = pd.DataFrame(data=d)

df = df.pipe(transform, var=[0, 60])
print (df)
   col1_sin  col2_sin  col1_cos  col2_cos
0  0.000000  0.304811  1.000000 -0.952413
1  0.650288  0.000000 -0.759688  1.000000
2 -0.988032  0.580611  0.154251  0.814181
3  0.850904 -0.801153  0.525322 -0.598460
4 -0.304811  0.945445 -0.952413  0.325781

用于传递所有
DataFrame
，如果
var
是与列数相同大小的列表，也可以减去它们，将DataFrames连接在一起并返回具有新列名称的DataFrame：

def transform(data, var):
    sin_ = np.sin(data - var)
    cos_ = np.cos(data - var)
    arr =  np.column_stack((sin_, cos_))
    c = (data.columns + '_sin').tolist() + (data.columns + '_cos').tolist()
    return pd.DataFrame(arr, index=df.index, columns=c)

d = {'col1': [0, 15, 30, 45, 60], 'col2': [0, 60, 180, 240, 300]}
df = pd.DataFrame(data=d)

df = df.pipe(transform, var=[0, 60])
print (df)
   col1_sin  col2_sin  col1_cos  col2_cos
0  0.000000  0.304811  1.000000 -0.952413
1  0.650288  0.000000 -0.759688  1.000000
2 -0.988032  0.580611  0.154251  0.814181
3  0.850904 -0.801153  0.525322 -0.598460
4 -0.304811  0.945445 -0.952413  0.325781

我担心这里的执行速度，因为真正的df包含数十万到一百万的行，但没有那么多的列。使用simple for loop可以完成，正如在我编辑的答案中一样，我担心这里的执行速度，因为实际的df包含数十万到一百万的行，但没有那么多的列。使用简单的for循环可以完成，就像在我编辑的答案中一样。