一、使用 iterrows()
iterrows() 是 pandas 中最常用的遍历 DataFrame 行的方法之一。它将 DataFrame 的每一行作为一个 Series 进行迭代。
import pandas as pd
def iterrows_example():
# 创建一个示例 DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35],
'Score': [85, 90, 88]}
df = pd.DataFrame(data)
print("Original DataFrame:")
print(df)
# 使用 iterrows() 遍历
for index, row in df.iterrows():
print(f"Index: {index}, Name: {row['Name']}, Age: {row['Age']}, Score: {row['Score']}")
调用函数
iterrows_example()
运行项目并下载源码
代码解释：
df.iterrows()：生成一个迭代器，它为 DataFrame 中的每一行生成一个包含行索引 index 和行数据 row（作为 Series）的元组。
for index, row in df.iterrows()：使用 for 循环遍历 DataFrame 的每一行。
row['Name']：通过列名从 row 这个 Series 中获取元素。
二、使用 itertuples()
itertuples() 会将 DataFrame 的每一行作为一个命名元组进行迭代，相比于 iterrows()，它通常更快，因为元组的访问比 Series 更快。
import pandas as pd
def itertuples_example():
# 创建一个示例 DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35],
'Score': [85, 90, 88]}
df = pd.DataFrame(data)
print("Original DataFrame:")
print(df)
# 使用 itertuples() 遍历
for row in df.itertuples():
print(f"Index: {row.Index}, Name: {row.Name}, Age: {row.Age}, Score: {row.Score}")
调用函数
itertuples_example()
运行项目并下载源码
代码解释：
df.itertuples()：生成一个迭代器，它为 DataFrame 中的每一行生成一个命名元组。
for row in df.itertuples()：使用 for 循环遍历 DataFrame 的每一行。
row.Index、row.Name 等：通过命名元组的属性访问元素，这里 Index 是默认的索引属性，后面是 DataFrame 的列名。
三、使用 iteritems()
iteritems() 是对 DataFrame 的列进行迭代，将每一列作为一个 Series 进行迭代。
import pandas as pd
def iteritems_example():
# 创建一个示例 DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35],
'Score': [85, 90, 88]}
df = pd.DataFrame(data)
print("Original DataFrame:")
print(df)
# 使用 iteritems() 遍历
for column_name, column_data in df.iteritems():
print(f"Column: {column_name}")
print(column_data)
调用函数
iteritems_example()
运行项目并下载源码
代码解释：
df.iteritems()：生成一个迭代器，它为 DataFrame 中的每一列生成一个包含列名 column_name 和列数据 column_data（作为 Series）的元组。
for column_name, column_data in df.iteritems()：使用 for 循环遍历 DataFrame 的每一列。
四、使用 apply()
apply() 可以将函数应用于 DataFrame 的元素、行或列。
import pandas as pd
def apply_example():
# 创建一个示例 DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie'],
'Age': [25, 30, 35],
'Score': [85, 90, 88]}
df = pd.DataFrame(data)
print("Original DataFrame:")
print(df)
# 使用 apply() 对行进行操作
def process_row(row):
return f"{row['Name']} is {row['Age']} years old and scored {row['Score']}"
result = df.apply(process_row, axis=1)
print("\nResult of apply() on rows:")
print(result)
调用函数
apply_example()
运行项目并下载源码
代码解释：
def process_row(row)：定义一个处理行的函数。
df.apply(process_row, axis=1)：将 process_row 函数应用于 DataFrame 的每一行（axis=1 表示按行操作）。
五、使用 applymap()
applymap() 用于对 DataFrame 的每个元素应用一个函数，通常用于元素级别的操作。
import pandas as pd
def applymap_example():
# 创建一个示例 DataFrame
data = {'A': [1, 2, 3], 'B': [4, 5, 6]}
df = pd.DataFrame(data)
print("Original DataFrame:")
print(df)
# 使用 applymap() 对元素进行操作
def square(x):
return x ** 2
result = df.applymap(square)
print("\nResult of applymap()😊
print(result)
调用函数
applymap_example()
运行项目并下载源码
代码解释：
def square(x)：定义一个对元素进行平方操作的函数。
df.applymap(square)：将 square 函数应用于 DataFrame 的每个元素。
六、使用 np.ndenumerate() 结合 values 属性
如果需要同时访问 DataFrame 的元素及其索引，可以将 numpy 的 ndenumerate() 与 DataFrame 的 values 属性结合使用。
import pandas as pd
import numpy as np
def ndenumerate_example():
# 创建一个示例 DataFrame
data = {'A': [1, 2, 3], 'B': [4, 5, 6]}
df = pd.DataFrame(data)
print("Original DataFrame:")
print(df)
# 使用 np.ndenumerate() 结合 values 属性遍历
values = df.values
for (i, j), value in np.ndenumerate(values):
print(f"Row {i}, Column {j}: {value}")
调用函数
ndenumerate_example()
运行项目并下载源码
代码解释：
df.values：将 DataFrame 转换为 numpy 数组。
np.ndenumerate(values)：生成一个迭代器，为 numpy 数组中的每个元素生成一个包含元素索引 (i, j) 和元素值 value 的元组。
在选择遍历方法时，要根据具体需求和性能考虑进行选择。对于逐行操作，itertuples() 通常性能较好；对于元素级别的操作，根据情况选择 applymap() 或 apply()；对于列操作，可使用 iteritems() 。