详解pandas.map()（映射数值）函数使用方法

pandas.map()函数是对Series中的每个元素执行相同的映射/转换操作的方法，其主要作用是对Series中的每个元素进行映射转换，返回一个新的Series对象。

pandas.map()函数的语法如下：

DataFrame.map(arg, na_action=None)

其中，参数arg可以是一个函数、字典或Series，用来指定转换方法。na_action用来指定处理缺失值的方式，其可选值有‘ignore’、‘raise’和‘fillna’。

使用方法

1. 对Series中的所有元素进行相同的映射

例如，我们有一个Series对象，其元素为字符串类型的数字：

import pandas as pd
import numpy as np
s = pd.Series(['1', '2', '3', '4', '5'])

我们可以使用map()方法将Series中的所有元素转换为整型：

s = s.map(int)
print(s)

输出结果如下：

0    1
1    2
2    3
3    4
4    5
dtype: int64

2. 使用字典对Series中的元素进行映射

我们也可以使用字典对Series中的元素进行映射，例如，我们有一个Series对象，其内容为：

s = pd.Series(['cat', 'dog', 'monkey', 'tiger', 'lion'])

我们可以使用如下字典对其进行映射：

animal_dict = {'cat': 'feline', 'dog': 'canine', 'monkey': 'primate', 'tiger': 'feline', 'lion': 'feline'}
new_s = s.map(animal_dict)
print(new_s)

输出结果如下：

0      feline
1      canine
2     primate
3      feline
4      feline
dtype: object

在上面的例子中，我们使用字典将Series中的每个元素映射为另一个值，并返回一个新的Series对象。注意，如果字典中没有某个元素的对应值，则映射后的值为NaN。

3. 处理缺失值

在使用pandas.map()函数时，我们需要注意处理缺失值的方式。例如，我们有一个Series对象，其中包含一些缺失值：

s = pd.Series(['1', '2', np.nan, '4', '5'])

如果我们使用map()方法将其转换为整型，则会出现异常：

s = s.map(int)
print(s)

输出结果为：

ValueError: cannot convert float NaN to integer

此时，我们可以使用na_action参数指定如何处理缺失值。例如：

s = s.map(int, na_action='ignore')
print(s)

此时，输出结果为：

0      1.0
1      2.0
2      NaN
3      4.0
4      5.0
dtype: float64

在上面的例子中，我们使用了na_action参数，将缺失值的处理方式设置为忽略，这样在转换时就不会出现异常了。

4. 指定一个lambda函数作为转换方法

除了使用字典、函数或Series作为转换方法外，我们还可以使用lambda函数来指定转换方法。例如，我们有一个Series对象，其每个元素都是一个字符串类型的十六进制数：

s = pd.Series(['0x10', '0x20', '0x30', '0x40', '0x50'])

我们可以使用lambda函数将其转换为十进制数，如下所示：

s = s.map(lambda x: int(x, 16))
print(s)

输出结果为：

0     16
1     32
2     48
3     64
4     80
dtype: int64

在上面的例子中，我们使用lambda函数作为转换方法，对每个元素进行了映射转换。注意，lambda函数的参数是Series中的每个元素。