apply

import pandas as pd def age_18_to_30(a): return 18 <= a < 30 def level_a(s): return 85 <= s <= 100 students = pd.read_excel('D:/output.xlsx', index_col='idx') # 筛选出 年龄在18到30之间，成绩在85到100分之间的学员 students = students.loc[students['Age'].apply(age_18_to_30)].loc[students['Score'].apply(level_a)] # 上一行的写法，也可以这样写 students = students.loc[students.Age.apply(age_18_to_30)].loc[students.Score.apply(level_a)] # lambda 表达式写法 students = students.loc[students.Age.apply(lambda a : 18 <= a < 30)] \ .loc[students.Score.apply(lambda s : 85 <= s <= 100)] print(students) #books.to_excel('D:/output.xlsx') 视频链接：

　　 apply的call的区别 　　其实很简单，两者的区别就在于调用时的参数不一样。看一下代码： 1 　　　　　　　var i = 40; 2 3 var a = { 4 i : 20, 5 foo : function () { 6 var i = 10; 7 return this.i; 8 }, 9 foo1 : function (param1, param2) { 10 return param1 + param2 + i; 11 } 12 } 13 14 var b = { 15 i : 5 16 } 17 18 console.log(a.foo()); //20 19 console.log((a.foo)()); //20 20 console.log((a.foo,a.foo)()); //40 21 console.log(a.foo.apply(window)); //40 22 console.log(a.foo.apply(a)); //20 23 console.log(a.foo.apply(a.foo)); //undefinded 24 console.log(a.foo1.apply(b, [2, 1])); //43 25 console.log(a.foo1.call(b, 2, 1)); //43 　　很显然

啊啊啊 来源： https://www.cnblogs.com/geter/p/12317884.html

在js里，每个函数都有一个执行的上下文，我们可以通过this来访问。 如： 全局函数 function test(){ var local = this; } 我们发现local等于window（dom根对象），也就是说全局函数实际上是window的一个属性。 同理全局变量也是如此。 比如 var name = ‘phil’; 我们可以通过window[‘name’]或者window.name 来访问。 而当函数是某一个对象的属性的时候，该函数的上下文就是该对象。 var student = {}; student.age = 20; student.getAge = function(){ return this.age; } 当有函数嵌套的时候，事情就变得稍微复杂点了。 var seq = [1,2,3,4]; for(var i in seq){ var name = ‘phil’ + i; window.setTimeout(function(){ $('p’).apend(name); },i*1000) } 有人可能认为输出是phil1phil2phil3phil4，实际上结果是phil4phil4phil4phil4 因为函数window.setTimeout(实际上我们常常会省略掉window)的上下文实际上是window，而函数体中的name实际上就是window

map-apply-applymap /*--> */ /*--> */ /*--> */ /*--> */ /*--> */ /*--> */ In [1]: import warnings import math import pandas as pd import numpy as np import matplotlib warnings.filterwarnings('ignore') pd.options.display.max_rows = 100 pd.options.display.max_columns = 100 pd.set_option('max_colwidth', 500) get_ipython().magic(u'matplotlib inline') matplotlib.style.use('ggplot') from matplotlib import pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False myfont = matplotlib.font_manager.FontProperties(fname=u'simsun.ttc', size=14) In [11]: data = pd

Import libraries from nltk.corpus import stopwords from textblob import TextBlob from textblob import Word Lower casing and removing punctuations df[‘Text’] = df[‘Text’].apply(lambda x: " “.join(x.lower() for x in x.split())) df[‘Text’] = df[‘Text’].str.replace(’[^\w\s]’,”) df.Text.head(5) Removal of stop words stop = stopwords.words(‘english’) df[‘Text’] = df[‘Text’].apply(lambda x: " ".join(x for x in x.split() if x not in stop)) Spelling correction df[‘Text’] = df[‘Text’].apply(lambda x: str(TextBlob(x). correct())) Lemmatization df[‘Text’] = df[‘Text’].apply(lambda x: " ".join([Word(word).