TA貢獻1893條經驗 獲得超10個贊
您可以這樣獲得最大值：
>>> import pandas as pd
>>> df = pd.DataFrame({"A": [1,2,3], "B": [-2, 8, 1]})
>>> df
A B
0 1 -2
1 2 8
2 3 1
>>> df[["A", "B"]]
A B
0 1 -2
1 2 8
2 3 1
>>> df[["A", "B"]].max(axis=1)
0 1
1 8
2 3
所以：
>>> df["C"] = df[["A", "B"]].max(axis=1)
>>> df
A B C
0 1 -2 1
1 2 8 8
2 3 1 3
如果您知道“ A”和“ B”是唯一的列，那么您甚至可以逃脫
>>> df["C"] = df.max(axis=1)
.apply(max, axis=1)我猜你也可以使用。
TA貢獻1827條經驗 獲得超8個贊
在幾乎所有正常情況下，@ DSM的答案都很好。但是，如果您是想比表面層次更深入的程序員，那么您可能會想知道，在基礎.to_numpy()（或.values對于<0.24）數組上調用numpy函數要比直接調用更快一些。調用在DataFrame / Series對象上定義的（cythonized）函數。
例如，您可以ndarray.max()沿第一個軸使用。
# Data borrowed from @DSM's post.
df = pd.DataFrame({"A": [1,2,3], "B": [-2, 8, 1]})
df
A B
0 1 -2
1 2 8
2 3 1
df['C'] = df[['A', 'B']].values.max(1)
# Or, assuming "A" and "B" are the only columns,
# df['C'] = df.values.max(1)
df
A B C
0 1 -2 1
1 2 8 8
2 3 1 3
如果您的數據包含NaN，則將需要numpy.nanmax：
df['C'] = np.nanmax(df.values, axis=1)
df
A B C
0 1 -2 1
1 2 8 8
2 3 1 3
您也可以使用numpy.maximum.reduce。numpy.maximum是一個ufunc（通用函數），每個ufunc都有一個reduce：
df['C'] = np.maximum.reduce(df['A', 'B']].values, axis=1)
# df['C'] = np.maximum.reduce(df[['A', 'B']], axis=1)
# df['C'] = np.maximum.reduce(df, axis=1)
df
A B C
0 1 -2 1
1 2 8 8
2 3 1 3
在此處輸入圖片說明
np.maximum.reduce并且np.max看起來大致相同（對于大多數正常大小的DataFrame），并且陰影的速度比快DataFrame.max。我認為這種差異大致保持不變，并且是由于內部開銷（索引對齊，處理NaN等）引起的。
該圖是使用perfplot生成的?；鶞蕼y試代碼，以供參考：
import pandas as pd
import perfplot
np.random.seed(0)
df_ = pd.DataFrame(np.random.randn(5, 1000))
perfplot.show(
setup=lambda n: pd.concat([df_] * n, ignore_index=True),
kernels=[
lambda df: df.assign(new=df.max(axis=1)),
lambda df: df.assign(new=df.values.max(1)),
lambda df: df.assign(new=np.nanmax(df.values, axis=1)),
lambda df: df.assign(new=np.maximum.reduce(df.values, axis=1)),
],
labels=['df.max', 'np.max', 'np.maximum.reduce', 'np.nanmax'],
n_range=[2**k for k in range(0, 15)],
xlabel='N (* len(df))',
logx=True,
logy=True)
舉報