Thep Excel
pandas apply — รันฟังก์ชันกับทุกแถวหรือทุกคอลัมน์
apply ใน pandas ผมใช้สำหรับรันฟังก์ชันกับแต่ละแถวหรือแต่ละคอลัมน์ใน DataFrame หรือรันกับแต่ละค่าใน Series ตอนที่ต้องการ logic ซับซ้อนที่ vectorized operations ทำไม่ได้ครับ
df.apply(func, axis)
Function Metrics
Popularity
5/10
Difficulty
3/10
Usefulness
5/10
Syntax & Arguments
df.apply(func, axis)
Series
ผลลัพธ์เป็น Series ถ้าฟังก์ชันคืนค่า scalar ต่อแถว/คอลัมน์ หรือเป็น DataFrame ถ้าฟังก์ชันคืน Series (axis=1) ครับ ส่วนใหญ่ตอน apply บน Series หรือ axis=1 แบบง่ายจะได้ Series กลับมา
| Argument | Type | Required | Default | Description |
|---|---|---|---|---|
| func | callable | Yes | ฟังก์ชันที่จะรัน รับได้ทั้ง lambda, def function, หรือ numpy function เช่น np.sqrt | |
| axis | int | str | Optional | 0 | 0 หรือ ‘index’ = รันต่อคอลัมน์ (ค่า default), 1 หรือ ‘columns’ = รันต่อแถว ผมใช้ axis=1 บ่อยกว่าครับตอนอยากคำนวณข้ามคอลัมน์ |
| raw | bool | Optional | False | False = ส่ง Series เข้าฟังก์ชัน, True = ส่ง ndarray แทน เร็วกว่าถ้าใช้ numpy functions ที่รับ array โดยตรง |
| result_type | str | None | Optional | None | ใช้ได้เฉพาะ axis=1: ‘expand’ แปลง list เป็นหลายคอลัมน์, ‘reduce’ บีบเป็น Series, ‘broadcast’ คงรูปต้นฉบับ |
| args | tuple | Optional | () | arguments เพิ่มเติมที่จะส่งเข้าฟังก์ชัน ตามหลัง argument หลักที่ apply ส่งให้อัตโนมัติ |
Examples
ตัวอย่างที่ 1: apply บน Series ด้วย lambda (element-wise)
s.apply(lambda v: v * 2)
s.apply(lambda v: v * 2)
0 20
1 40
2 60
3 80
dtype: int64
ตัวอย่างที่ 2: apply กับ named function บน Series
s.apply(categorize)
s.apply(categorize)
0 ราคาถูก
1 ราคากลาง
2 ราคาแพง
3 ราคาถูก
4 ราคาแพง
dtype: str
ตัวอย่างที่ 3: apply บน DataFrame แบบ row-wise ด้วย axis=1
df.apply(lambda row: row['base_price'] * (1 - row['discount_pct'] / 100), axis=1)
df.apply(lambda row: row['base_price'] * (1 - row['discount_pct'] / 100), axis=1)
0 90.0
1 190.0
2 240.0
dtype: float64
ตัวอย่างที่ 4: apply บน DataFrame แบบ column-wise ด้วย axis=0 (default)
df.apply(lambda col: col.max() - col.min())
df.apply(lambda col: col.max() - col.min())
score_A 20
score_B 35
dtype: int64
FAQs
apply ช้าแค่ไหน เทียบกับ vectorized operations?
ช้ากว่าเยอะมากครับ 😅 apply วน loop ใน Python ทีละแถว ถ้าข้อมูล 1 ล้านแถว vectorized operations เสร็จในหลัก milliseconds แต่ apply อาจใช้เวลาหลายวินาทีเลย ผมเลยใช้ apply เฉพาะตอนที่ logic ซับซ้อนจริงๆ เช่น ต้องเงื่อนไข if-else หลายชั้น หรือ call ฟังก์ชัน external ที่ไม่รับ array ครับ
ต่างจาก applymap (หรือ map) ยังไง?
apply ส่ง Series เข้าฟังก์ชัน (ทั้งแถวหรือทั้งคอลัมน์) ครับ ส่วน map ใน Series และ applymap (เปลี่ยนชื่อเป็น map ใน pandas 2.1+) ส่งค่าแต่ละ cell เข้าทีละค่าเลย ผมใช้ .map() ตอนอยากเปลี่ยนค่าแต่ละ cell อย่างเดียวโดยไม่ต้องเห็นแถวรอบข้าง และใช้ apply ตอนต้องคำนวณข้ามคอลัมน์ในแถวเดียวกันครับ
ส่ง argument เพิ่มเติมเข้าฟังก์ชันได้ไหม?
ได้เลยครับ ใช้ parameter args=(val1, val2) เพื่อส่ง positional args เพิ่ม หรือส่งเป็น **kwargs ก็ได้ เช่น df[‘price’].apply(add_tax, args=(0.07,)) ถ้าเขียนฟังก์ชัน add_tax(price, tax_rate) ไว้ครับ
Resources & Related
Resources
Related functions
Additional Notes
apply เป็นเหมือนคำสั่ง “วิ่งทีละแถว” ของ pandas ครับ ทำงานในโหมด Split-Apply-Combine คล้ายกับ groupby เลย แต่แทนที่จะแบ่งกลุ่มก่อน มันจะส่งแต่ละแถว (axis=1) หรือแต่ละคอลัมน์ (axis=0) เป็น Series เข้าไปหาฟังก์ชันที่เราเขียน แล้วรวมผลลัพธ์กลับมา ถ้าใช้กับ Series ธรรมดา (ไม่ใช่ DataFrame) มันจะส่งแต่ละค่าทีละตัวเข้าไปเลย
ที่เจ๋งคือ apply รับฟังก์ชันอะไรก็ได้ ทั้ง lambda แบบสั้น, ฟังก์ชันที่เราเขียนเอง หรือฟังก์ชันจาก library อื่นก็ได้ ทำให้มัน flexible มากครับ อยากทำ logic อะไรที่แปลกๆ ก็ทำได้หมด ✨
ส่วนตัวผมใช้ apply เป็น “ทางเลือกสุดท้าย” ครับ 😎 เพราะมัน loop ทีละแถวใน Python ซึ่งช้ากว่า vectorized operations อย่าง `df[‘col’] * 2` หรือ `np.sqrt(df[‘col’])` เยอะมาก ถ้า logic ง่ายๆ ให้ใช้ arithmetic operators หรือ numpy ก่อน apply ค่อยเข้ามาตอนที่ logic ซับซ้อนจริงๆ