แพนด้าแลมบ์ดา

แพนด้าเป็นแอปพลิเคชั่นที่ใช้บ่อยมากจนอาจมีประโยชน์มากกว่าในการแจกแจงสิ่งที่พวกเขาไม่สามารถทำได้มากกว่าสิ่งที่พวกเขาสามารถทำได้ ข้อมูลของคุณใช้งานได้จริงในเครื่องมือนี้ แพนด้าสามารถช่วยให้คุณเรียนรู้เกี่ยวกับข้อมูลได้โดยการล้าง แปลง และวิเคราะห์ข้อมูล “แลมบ์ดา” เป็นอีกวิธีหนึ่งในการกำหนดฟังก์ชันในภาษาธรรมดา การใช้ 'แลมบ์ดา' คุณสามารถกำหนดฟังก์ชันได้โดยตรง หมายความว่าคุณสามารถใช้โค้ด Python ประโยคเดียวเพื่อใช้ฟังก์ชันกับข้อมูลบางอย่างได้ แม้ว่านิพจน์สามารถรับพารามิเตอร์ได้มากกว่าหนึ่งตัว แต่ฟังก์ชัน 'แลมบ์ดา' จะถูกจำกัดไว้เพียงตัวเดียว นิพจน์ได้รับการประเมินและให้ผลลัพธ์ Pandas ของ Python ใช้ฟังก์ชัน 'lambda' เพื่อแก้ไขปัญหาการวิจัยข้อมูลที่หลากหลาย ใน DataFrame ของแพนด้า เราสามารถใช้ฟังก์ชัน “แลมบ์ดา” สำหรับทั้งแถวและคอลัมน์

“แลมบ์ดา” ดำเนินการโปรแกรมของคุณในบริษัทเทคโนโลยีที่ปรับขนาดได้สูงและจัดการการจัดการทรัพย์สินทางคอมพิวเตอร์ทั้งหมด ซึ่งครอบคลุมถึงการปรับใช้การอัปเดต การจัดเตรียมความจุ การปรับขนาดอัตโนมัติ การวิเคราะห์และการบันทึกโค้ด และการบำรุงรักษาเซิร์ฟเวอร์และการปฏิบัติงาน ความจุขนาดเล็กที่มีเพียงข้อต่อเดียวคือฟังก์ชัน Pandas “Lambda” ความสามารถของ “แลมบ์ดา” สามารถทำงานได้อย่างเท่าเทียมกันในสถานการณ์ที่ไม่มีชื่อ “แลมบ์ดา” ย่อมาจากคีย์เวิร์ดของฟังก์ชัน เนื้อหาของฟังก์ชันที่จำเป็นต้องนำไปใช้นั้นระบุด้วย x ตัวที่สอง คีย์เวิร์ดต้องเป็น 'แลมบ์ดา' และจำเป็น แต่อาร์กิวเมนต์และเนื้อหาอาจแตกต่างกันไปตามสถานการณ์ การส่งคืนอ็อบเจ็กต์ฟังก์ชันเป็นไปได้ด้วยฟังก์ชันแลมบ์ดา

ไวยากรณ์สำหรับฟังก์ชันแลมบ์ดา:

ตัวอย่างที่ 1: การใช้ DataFrame เพื่อดำเนินการเมธอด Lambda กับคอลัมน์ใหม่โดยใช้เมธอด assign()

แนวทาง 'แลมบ์ดา' ถูกใช้โดย Pandas เพื่อจัดการกับปัญหาการประมวลผลข้อมูลที่หลากหลาย ฟังก์ชันสั้น ๆ วิธี 'แลมบ์ดา' สามารถใช้โดยไม่ระบุชื่อได้ ซึ่งหมายความว่าไม่จำเป็นต้องมีชื่อ วิธี “แลมบ์ดา” สามารถใช้เขียนโปรแกรมขั้นต่ำและแก้ปัญหาง่ายๆ ได้ ในภาษาที่รองรับฟังก์ชันที่มีลำดับชั้นสูง นิพจน์ 'แลมบ์ดา' หรือเทคนิค 'แลมบ์ดา' เป็นเพียงกลุ่มคำสั่งที่สามารถจัดสรรให้กับตัวแปร ส่งผ่านเป็นอาร์กิวเมนต์ หรือดึงข้อมูลจากการเรียกใช้ฟังก์ชันได้ เป็นองค์ประกอบหนึ่งของการเขียนโปรแกรมมานานแล้ว เริ่มต้นด้วยตัวอย่างแรกของบทความนี้ เงื่อนไขพื้นฐานสำหรับการดำเนินการโค้ดคือการโหลดไลบรารีที่จำเป็น ห้องสมุด 'หมีแพนด้า' คือสิ่งที่เราต้องการ ในการโหลดเราต้องสร้างบรรทัด 'import pandas as pd' ตอนนี้เราจะสร้างกรอบข้อมูลของเรา

ในตัวอย่างนี้ data frame ของเราเรียกว่า 'students' data frame ของเราได้รับคอลัมน์เพิ่มเติมสองคอลัมน์ คอลัมน์แรกชื่อ 'ชื่อ' และคอลัมน์ที่สองชื่อ 'เครื่องหมาย' แต่ละคอลัมน์ของทั้งสองคอลัมน์มีค่าบางอย่าง เรามีค่าต่อไปนี้สำหรับคอลัมน์แรก 'Alvin', 'Watson', 'Thomas' และ 'Noah' และค่าสำหรับคอลัมน์ที่สอง 'Marks' เรามี '400', '360', '430' และ '290' ตอนนี้จะสร้าง DataFrame ของเราโดยใช้ 'pd.DataFrame'

จากนั้นเราก็ไปถึงโค้ดจำนวนมาก โดยเราใช้เมธอด “assign()” กับ “lambda” เพื่อสร้างคอลัมน์เดี่ยวใหม่ ฟังก์ชัน 'Lambda' ใช้กับคอลัมน์เดียวโดยใช้เมธอด 'dataframe.assign()' แลมบ์ดาเป็นวิธีการเพิ่มเติมในการอธิบายฟังก์ชันในภาษาธรรมดา การใช้แลมบ์ดา คุณสามารถกำหนดฟังก์ชันได้โดยตรง หมายความว่าคุณสามารถใช้โค้ด Python หนึ่งบรรทัดเพื่อใช้ฟังก์ชันกับข้อมูลบางอย่างได้ ตอนนี้เรากำหนดคอลัมน์ใหม่ 'เปอร์เซ็นต์' ในดาต้าเฟรมของเราโดยใช้เมธอด 'assign()'

ขั้นตอน 'แลมบ์ดา' ถูกใช้ในคอลัมน์ 'เครื่องหมาย' เปอร์เซ็นต์ของนักเรียนจะถูกคำนวณโดยใช้ฟังก์ชันแลมบ์ดาและเก็บไว้ในคอลัมน์ใหม่ ซึ่งก็คือ 'เปอร์เซ็นต์' สูตรที่เราใช้กำหนดเปอร์เซ็นต์โดยใช้ 'แลมบ์ดา' คือ 'เครื่องหมายหรือคะแนนรวม ซึ่งเท่ากับ 500 และคูณด้วย 100' ซึ่งจะให้เปอร์เซ็นต์ที่แม่นยำของนักเรียนและแสดงในคอลัมน์ 'เปอร์เซ็นต์' ของดาต้าเฟรม “print(dataframe)” จะแสดง dataframe บนหน้าจอ

เราสามารถดูผลลัพธ์ของรหัสนี้ได้ dataframe ที่มีสามคอลัมน์ปรากฏในภาพนี้ คอลัมน์แรกมีชื่อนักเรียน และคอลัมน์ที่สองมีคะแนนของนักเรียน โดยใช้เมธอด “assign()” และฟังก์ชัน “lambda” เพื่อสร้าง “percentage” ของคอลัมน์ที่สาม เราสามารถกำหนดเปอร์เซ็นต์ของนักเรียนแล้วเพิ่มเปอร์เซ็นต์เหล่านั้นลงในคอลัมน์ที่สามซึ่งมีชื่อว่า “percentage” ใน data frame . ค่าที่ได้รับสำหรับคอลัมน์เปอร์เซ็นต์โดยใช้สูตรคือ '80', '72', '86' และ '58' ขนาดของดัชนีคือ “4” ในดาต้าเฟรมนี้

ตัวอย่างที่ 2: การใช้ฟังก์ชันแลมบ์ดาเพื่อใช้เมธอด assign() ในหลายคอลัมน์

เทคนิค assign() ของ Pandas DataFrame ช่วยให้เราใช้ฟังก์ชัน Lambda กับหลายคอลัมน์ได้ ทุกครั้งที่จำเป็นต้องใช้ฟังก์ชันใหม่ เช่น ฟังก์ชันแลมบ์ดาหรือฟังก์ชันการจัดเรียง เราสามารถเพิ่มได้อย่างอิสระ คอลัมน์และแถวของ data frame ของ Pandas สามารถจัดการได้ด้วยฟังก์ชันแลมบ์ดา ในสถานการณ์นี้ เราเริ่มต้นด้วยการสร้างดาต้าเฟรม “ผลการเรียน” คือชื่อของดาต้าเฟรม เรามีสี่คอลัมน์ใน dataframe นี้ คอลัมน์แรกที่เรามีคือ 'ชื่อ' คอลัมน์ที่สองคือ 'Python' ชื่อของคอลัมน์ที่สามคือ “Data_structure” ชื่อที่สี่คือ 'แคลคูลัส'

ในคอลัมน์เหล่านี้ เราได้ระบุค่าบางค่าไว้ สำหรับคอลัมน์ “ชื่อ” เรามีรายชื่อนักเรียนบางคน “วิลโลว์”, “อลิซ”, “เอ็ดเวิร์ด” และ “อมีเลีย” เครื่องหมายของหลาม '96', '40', '98' และ '98' จะแสดงด้วยค่าที่อยู่ในคอลัมน์ที่สอง ค่าในคอลัมน์ที่สามคือ '86', '56', '73' และ '90' และสำหรับคอลัมน์ที่สี่ เรามี '90', '33', '88' และ '78' ตอนนี้ใช้ “pd.DataFrame” เพื่อสร้างดาต้าเฟรม

ตอนนี้ เราเพิ่มคอลัมน์ใหม่ลงในกรอบข้อมูลของเราโดยใช้วิธีการ 'กำหนด' คอลัมน์ใหม่มีชื่อว่า 'คะแนนรวม' ชื่อของคอลัมน์ใหม่คือ “Total_marks” เพื่อให้ได้คะแนนโดยรวม เราใช้ฟังก์ชัน “แลมบ์ดา” กับคอลัมน์หัวเรื่องหลายคอลัมน์ รวมถึง Python โครงสร้างข้อมูล และแคลคูลัส ฟังก์ชันนี้จะเพิ่มคะแนนจากทั้งสามวิชาและแสดงในคอลัมน์ 'Total_marks' “print(dataframe)” จะแสดง dataframe บนหน้าจอในที่สุด

ครั้งนี้ เราได้รับผลลัพธ์นี้ ฟังก์ชัน “แลมบ์ดา” จะให้ผลลัพธ์ที่ยอดเยี่ยมเมื่อใช้ในหลายคอลัมน์ เรากำหนดคอลัมน์ใหม่ 'Total_marks' ให้กับ dataframe ของเราโดยใช้วิธีการ 'assign' เพื่อให้เราสามารถแสดงผลรวมของนักเรียนในคอลัมน์นั้น สุดท้าย เราจะเห็นว่าคอลัมน์ 'คะแนนรวม' แสดงผลรวมของทั้งสามวิชา ตัวเลขสำหรับคอลัมน์คะแนนรวมคำนวณโดยการเพิ่มค่าจากสามคอลัมน์โดยใช้แลมบ์ดา '272', '129', '259' และ '266'

บทสรุป

ในภาษาโปรแกรม Python ฟังก์ชัน lambda เป็นฟังก์ชันหนึ่งบรรทัดที่ไม่มีชื่อซึ่งรับหนึ่งอาร์กิวเมนต์และพารามิเตอร์จำนวนอนันต์ พวกเขาอาจโต้แย้งได้หลายข้อ แต่จะแสดงเพียงข้อเดียว งานแลมบ์ดาจะกู้คืนอ็อบเจ็กต์ความจุที่อาจถูกกำหนดให้กับปัจจัยใดๆ และไม่สามารถมีการยืนยันใดๆ ได้ ในกรณีแรก ใช้ “แลมบ์ดา” เพื่อกำหนดเปอร์เซ็นต์ และในตัวอย่างที่สอง “คะแนนรวม” สำหรับนักเรียนถูกคำนวณ ไวยากรณ์ การใช้ประโยชน์ และตัวอย่างของฟังก์ชัน 'แลมบ์ดา' ทั่วไปจะกล่าวถึงในบทความนี้