Python Pandas - füge Lambda jede Spalte

Question

Ich habe einen Datenrahmen, der wie folgt aussieht:

DayOfWeek Sunday Monday Tuesday Wednesday Thursday Friday Saturday 
00   0.0  0.0  0.0  19.0  0.0  4.0  0.0 
01   0.0  0.0  0.0  0.0  0.0  7.0  0.0 
07   0.0  0.0  3.0  5.0  3.0  0.0  1.0 
08   0.0 17.0  16.0  8.0  10.0  1.0  0.0 
09   10.0 48.0  30.0  86.0  12.0  3.0  0.0 
10   70.0 58.0  3.0  36.0  52.0 70.0  0.0 
11   32.0 26.0  0.0  20.0  38.0 42.0  0.0 
12   21.0  9.0  83.0  32.0  129.0 57.0  0.0 
13   53.0 51.0  55.0  36.0  18.0 32.0  0.0 
14   64.0 62.0  24.0  21.0  53.0 61.0  0.0 
15   46.0 121.0  37.0  31.0  58.0 54.0  0.0 
16   95.0 139.0  86.0  58.0  79.0 11.0  0.0 
17   113.0 56.0  73.0  146.0  78.0 17.0  0.0 

und ich möchte es als precentage machen, so möchte ich jede Spalte summieren, und in jeder Zelle Ich mag in der Summe der Spalte zu teilen, so habe ich diesen Code:

df_day = df_day.apply(lambda x: round(100 * x/df_day.groupby('DayOfWeek').size().sum())) 

aber es funktioniert nicht ...

irgendwelche Ideen bitte?

Answer 1

Ich glaube, Sie durch div summierten Spalten von sum teilen müssen, dann mehrere von mul und ggf. round:

print (df_day.sum()) 
Sunday  504.0 
Monday  587.0 
Tuesday  410.0 
Wednesday 498.0 
Thursday  530.0 
Friday  359.0 
Saturday  1.0 
dtype: float64 

print (df_day.div(df_day.sum(), axis=1).mul(100).round(0)) 
      Sunday Monday Tuesday Wednesday Thursday Friday Saturday 
DayOfWeek                 
0    0.0  0.0  0.0  4.0  0.0  1.0  0.0 
1    0.0  0.0  0.0  0.0  0.0  2.0  0.0 
7    0.0  0.0  1.0  1.0  1.0  0.0  100.0 
8    0.0  3.0  4.0  2.0  2.0  0.0  0.0 
9    2.0  8.0  7.0  17.0  2.0  1.0  0.0 
10   14.0 10.0  1.0  7.0  10.0 19.0  0.0 
11   6.0  4.0  0.0  4.0  7.0 12.0  0.0 
12   4.0  2.0  20.0  6.0  24.0 16.0  0.0 
13   11.0  9.0  13.0  7.0  3.0  9.0  0.0 
14   13.0 11.0  6.0  4.0  10.0 17.0  0.0 
15   9.0 21.0  9.0  6.0  11.0 15.0  0.0 
16   19.0 24.0  21.0  12.0  15.0  3.0  0.0 
17   22.0 10.0  18.0  29.0  15.0  5.0  0.0 

Slowier Lösung mit apply:

print (df_day.apply(lambda x: round(100 * x/df_day.sum()), axis=1)) 

Timings:

In [171]: %timeit (df_day.div(df_day.sum(), axis=1).mul(100).round(0)) 
1000 loops, best of 3: 1.89 ms per loop 

In [172]: %timeit (df_day.apply(lambda x: round(100 * x/df_day.sum()), axis=1)) 
100 loops, best of 3: 5.18 ms per loop