pandas 将函数应用于多列和多行

我有一个数据帧，其行和列“xpos”、“ypos”中具有连续的像素坐标，我想计算连续像素之间每条路径的角度（以度为单位）。目前我有下面介绍的解决方案，该解决方案工作正常，并且对于我的文件大小来说足够快，但迭代所有行似乎不是 pandas 的方式。我知道如何将函数应用于不同的列，以及如何将函数应用于不同的列行，但不知道如何将两者结合起来。

这是我的代码：

fix_df = pd.read_csv('fixations_out.csv')

# wyliczanie kąta sakady
temp_list=[]
for count, row in df.iterrows():
    x1 = row['xpos']
    y1 = row['ypos']
    try:
        x2 = df['xpos'].ix[count-1]
        y2 = df['ypos'].ix[count-1]
        a = abs(180/math.pi * math.atan((y2-y1)/(x2-x1)))
        temp_list.append(a)
    except KeyError:
        temp_list.append(np.nan)

然后我将临时列表插入 df

编辑： 实施评论中的提示后，我有：

df['diff_x'] = df['xpos'].shift() - df['xpos']
df['diff_y'] = df['ypos'].shift() - df['ypos']

def calc_angle(x):
    try:
        a = abs(180/math.pi * math.atan((x.diff_y)/(x.diff_x)))
        return a
    except ZeroDivisionError:
        return 0

df['angle_degrees'] = df.apply(calc_angle, axis=1)

我比较了我的 df 的三种解决方案的时间（df 的大小约为 6k 行），迭代几乎比 apply 慢 9 倍，比不使用 apply 慢约 1500 倍：

迭代解决方案的执行时间，包括将新列插入回 df：1,51s

没有迭代、有 apply 的解决方案的执行时间：0.17s

EdChum 使用 diff() 接受的答案的执行时间，无需迭代且无需应用：0.001s

建议：不要使用迭代或应用，并始终尝试使用向量化计算；）它不仅更快，而且更具可读性。

您可以通过以下方法来完成此操作，我将 pandas 的方式与您的方式进行了比较，它的速度快了 1000 倍以上，而且无需将列表作为新列添加回来！这是在 10000 行数据帧上完成的

In [108]:

%%timeit
import numpy as np
df['angle'] = np.abs(180/math.pi * np.arctan(df['xpos'].shift() - df['xpos']/df['ypos'].shift() - df['ypos']))

1000 loops, best of 3: 1.27 ms per loop

In [100]:

%%timeit
temp_list=[]
for count, row in df.iterrows():
    x1 = row['xpos']
    y1 = row['ypos']
    try:
        x2 = df['xpos'].ix[count-1]
        y2 = df['ypos'].ix[count-1]
        a = abs(180/math.pi * math.atan((y2-y1)/(x2-x1)))
        temp_list.append(a)
    except KeyError:
        temp_list.append(np.nan)
1 loops, best of 3: 1.29 s per loop

另外，如果可能的话，避免使用apply，因为这是按行操作的，如果您能找到可以在整个系列或数据帧上工作的向量方法，那么总是更喜欢这个。

UPDATE

因为您只是从前一行中进行减法，所以有内置方法diff这会产生更快的代码：

In [117]:

%%timeit
import numpy as np
df['angle'] = np.abs(180/math.pi * np.arctan(df['xpos'].diff(1)/df['ypos'].diff(1)))

1000 loops, best of 3: 1.01 ms per loop

另一个更新

还有一个用于系列和数据帧划分的内置方法，这现在可以节省更多时间，并且我实现了低于 1 毫秒的时间：

In [9]:

%%timeit
import numpy as np
df['angle'] = np.abs(180/math.pi * np.arctan(df['xpos'].diff(1).div(df['ypos'].diff(1))))

1000 loops, best of 3: 951 µs per loop