Pandas中map、applymap和apply方法的区别

在 Pandas 中，map、applymap 和 apply 三个方法都是用来对 DataFrame 中的数据进行转换的常用方法，但它们有着不同的使用场景和功能。

map

map 方法用于对 Series 中的每个元素应用一个函数，它的基本语法如下：

Series.map(func, na_action=None)

其中 func 参数是一个函数名或函数对象，它将被应用于 Series 中的每个元素。而 na_action 参数是针对缺失值的处理方式，有两种可选的方式：None 表示不处理，即保留缺失值；'ignored' 表示忽略缺失值，即不对缺失值进行操作，直接返回原值。

下面的示例演示了如何使用 map 方法：

import pandas as pd

grades = pd.Series(['Excellent', 'Good', 'Average', 'Poor', 'Excellent', 'Average'])

def convert_to_score(grade):
    if grade == 'Excellent':
        return 90
    elif grade == 'Good':
        return 80
    elif grade == 'Average':
        return 70
    elif grade == 'Poor':
        return 60

scores = grades.map(convert_to_score)

print(scores)

以上代码将 grades 数据中的每个等级映射到对应的分数，并将结果存入 scores 中。输出结果如下：

0    90
1    80
2    70
3    60
4    90
5    70
dtype: int64

applymap

applymap 方法则是用于对 DataFrame 中的每个元素应用一个函数，它的基本语法如下：

DataFrame.applymap(func)

其中 func 参数是一个函数名或函数对象，它将被应用于 DataFrame 中的每个元素。

下面的示例演示了如何使用 applymap 方法：

import pandas as pd

df = pd.DataFrame([[1.2, 2.3], [3.4, 4.5]])

def format_float(number):
    return '{:.1f}'.format(number)

formatted_df = df.applymap(format_float)

print(formatted_df)

以上代码将 DataFrame 中的每个浮点数格式化为一个小数点后一位的字符串，并将结果存入 formatted_df 中。输出结果如下：

     0    1
0  1.2  2.3
1  3.4  4.5

apply

apply 方法和 applymap 方法类似，不同的是 apply 方法是用于对 DataFrame 每行或每列应用一个函数，返回值是一个 Series。

语法如下：

DataFrame.apply(func, axis=0, broadcast=None, raw=False, reduce=None, result_type=None, args=(), **kwds)

其中 func 参数是一个函数名或函数对象，axis 参数指定应用函数的轴，0 表示按列应用，1 表示按行应用，其他参数同 applymap 方法。

下面的示例演示了如何使用 apply 方法：

import pandas as pd

df = pd.DataFrame([[1, 2, 3], [4, 5, 6], [7, 8, 9]], columns=['A', 'B', 'C'])

def sum_row(row):
    return row.sum()

row_sums = df.apply(sum_row, axis=1)

print(row_sums)

以上代码将 DataFrame 中每一行中的元素相加求和，并将结果存入 row_sums 中。输出结果如下：

0     6
1    15
2    24
dtype: int64

以上是关于 Pandas 中 map、applymap 和 apply 三个方法的详细讲解。在实际应用中，根据不同的数据结构和求解方式选择合适的方法，能够提高数据处理效率和准确性。