Python函数中apply、map、applymap的区别

在Python中，apply、map和applymap是常用的函数，用于对数据进行处理和转换。虽然它们的功能有些相似，但在使用方式和适用范围上有一些区别。

apply函数

apply函数用于对DataFrame的行或列进行操作。它接受一个函数作为参数，并将该函数应用于DataFrame的每一行或每一列。apply函数的使用方式如下：

df.apply(func, axis=0)

• func：要应用的函数。
• axis：指定应用的方向，0表示按列应用，1表示按行应用。

示例说明1：对DataFrame的每一列求和

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
sum_by_column = df.apply(sum, axis=0)
print(sum_by_column)

输出结果：

A    6
B    15
dtype: int64

示例说明2：对DataFrame的每一行求平均值

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
mean_by_row = df.apply(lambda row: row.mean(), axis=1)
print(mean_by_row)

输出结果：

0    2.5
1    3.5
2    4.5
dtype: float64

map函数

map函数用于对Series对象中的每个元素应用一个函数。它将函数应用于Series中的每个元素，并返回一个新的Series对象。map函数的使用方式如下：

s.map(func)

• func：要应用的函数。

示例说明1：对Series中的每个元素进行平方操作

import pandas as pd

s = pd.Series([1, 2, 3])
s_squared = s.map(lambda x: x**2)
print(s_squared)

输出结果：

0    1
1    4
2    9
dtype: int64

示例说明2：将Series中的每个元素转换为字符串

import pandas as pd

s = pd.Series([1, 2, 3])
s_str = s.map(str)
print(s_str)

输出结果：

0    '1'
1    '2'
2    '3'
dtype: object

applymap函数

applymap函数用于对DataFrame中的每个元素应用一个函数。它将函数应用于DataFrame中的每个元素，并返回一个新的DataFrame对象。applymap函数的使用方式如下：

df.applymap(func)

• func：要应用的函数。

示例说明1：对DataFrame中的每个元素进行平方操作

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
df_squared = df.applymap(lambda x: x**2)
print(df_squared)

输出结果：

   A   B
0  1  16
1  4  25
2  9  36

示例说明2：将DataFrame中的每个元素转换为字符串

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
df_str = df.applymap(str)
print(df_str)

输出结果：

   A  B
0  '1'  '4'
1  '2'  '5'
2  '3'  '6'

以上是apply、map和applymap函数的区别和示例说明。希望对您有所帮助。如果您有任何进一步的问题，请随时提问。