pandas map(),apply(),applymap()区别解析

下面是对 "pandas map(), apply(), applymap() 区别解析" 的详细讲解：

1. pandas map(), apply() 和 applymap() 的基本说明

这三个函数都是 pandas 中常用的数据处理函数，它们的主要区别在于:

• map() 函数是用于对 pandas 中的 Series 进行元素级传递, 对于 DataFrame 不适用。
• apply() 函数是用于对 pandas 中的 Series 和 DataFrame 进行行或者列级传递，是一种比较通用的数据处理方式。
• applymap() 函数是用于对 pandas 中的 DataFrame 中的所有元素进行元素级传递，进一步加强了对数据的处理方式。

2. pandas map()函数的使用示例

pandas map() 函数是只对序列进行操作的，使用方法如下：

import pandas as pd

data = pd.DataFrame({'score': [99.0, 89.0, 95.0, 82.0], 'class_rank': ['1st', '2nd', '1st', '3rd']})

# 定义map函数
def map_rank(rank_str):
    rank_str = rank_str.lower()
    if rank_str == '1st':
        return 'A'
    elif rank_str == '2nd':
        return 'B'
    else:
        return 'C'

data['class_rank'] = data['class_rank'].map(map_rank)
print(data)

上述代码中，我们将 class_rank 列中的排名字符串转换为大写字母，并且将排名为 1st 的学生转换为 'A'，将排名为 2nd 的学生转换为 'B'，其余转换为 'C'。

结果会输出：

   score class_rank
0   99.0          A
1   89.0          B
2   95.0          A
3   82.0          C

3. pandas apply()函数的使用示例

pandas apply() 函数是对数据的行或者列进行操作的。使用方法如下：

import pandas as pd

data = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6],
    'C': [7, 8, 9]
})

# 对每一行应用函数，获得每一行的和
data['row_sum'] = data.apply(lambda x: x.sum(), axis=1)
# 对每一列应用函数，获得每一列的和
data.loc['col_sum'] = data.apply(lambda x: x.sum(), axis=0)

print(data)

上述代码中，我们分别对每一行和每一列分别应用了 lambda 函数，对应求和操作。

结果会输出：

         A     B     C  row_sum
0        1     4     7       12
1        2     5     8       15
2        3     6     9       18
col_sum  6    15    24       45

4. pandas applymap()函数的使用示例

pandas applymap() 函数是对每一个元素进行处理的，使用方法如下：

import pandas as pd

data = pd.DataFrame([[1.234, 2.345], [3.456, 4.567]])

data = data.applymap(lambda x: round(x, 2))

print(data)

上述代码中，我们对 data 里的每一个元素都进行了一个 round 操作，使得浮点数只保留两位小数。

结果会输出：

      0     1
0  1.23  2.35
1  3.46  4.57

5. 总结

以上就是 pandas 中三个比较常用的数据处理函数 map(), apply() 和 applymap() 的区别和示例。一般情况下，我们需要自己判断我们的数据需要使用哪一个函数，或者配合使用来完成操作。