python数据分析apply(),map(),applymap()用法

当我们进行Python数据分析的时候，经常会需要进行数据清洗、过滤、分组等操作。在这些过程中，apply(),map(),applymap()是我们经常用到的三个函数。下面就详细讲解一下这三个函数的使用方法：

apply()函数

apply()函数是Pandas中自带的一个函数，可以用于对行或列进行函数操作。

语法格式

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

参数说明：

• func：需要传入的函数
• axis：0或1，0表示对列进行处理，1表示对行进行处理，默认为0
• broadcast：不理解，可以忽略
• raw：Boolean值，默认为False，表示操作的是否是原始数据
• reduct：不理解可以忽略
• result_type：新的数据类型
• args：不理解可以忽略
• kwds：关键字参数，可以通过他来传入更多自定义的参数

示例1

下面我们举一个示例说明apply()函数的使用方法，假设我们现在有一个DataFrame数据，数据形如：

import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3, 4, 5],
    'B': [6, 7, 8, 9, 10]
})

我们希望对DataFrame的所有元素进行平方处理。那么可以采用如下方式：

def square(x):
    return x ** 2

df.apply(square)

在上面的代码中，我们首先定义了一个square函数，然后将这个函数作为apply()函数的参数进行传递。

示例2

下面我们举一个更加复杂，实际应用场景的示例，假设我们现在有一个存储股票数据的DataFrame数据，数据形如：

df = pd.DataFrame({
    'name': ['百度', '阿里巴巴', '腾讯', '美团点评', '拼多多'],
    'price': [210, 235, 310, 88, 42]
})

我们现在需要按照如下的规则对该数据进行处理：

• 对于价格不足200的股票，我们需要减价20元
• 对于价格在200到300之间的股票，我们需要减价10元
• 对于价格超过300的股票，我们需要减价5元

那么可以采用如下方式：

def discount(price):
    if price < 200:
        return price - 20
    elif price >= 200 and price <= 300:
        return price - 10
    else:
        return price - 5

df['discount_price'] = df['price'].apply(discount)

在上面的代码中，我们首先定义了一个discount函数，然后将‘price’列中的元素分别传递给该函数进行处理，得到针对每一只股票的折扣价格，并将其存储在“discount_price”列中。

map()函数

map()函数和apply()函数类似，不同的是，map()函数只能用于Series类型的操作，而不能用于DataFrame。

语法格式

Series.map(arg, na_action=None)

参数说明：

• arg：需要传入的函数，可以是一个函数，也可以是一个字典，这取决于Series类型的数据是不是字典类型
• na_action：处理缺失值时采取的操作，可以是'ignore'或者'drop'

示例1

下面我们举一个示例说明map()函数的使用方法，假设我们现在有一个Series类型的数据，数据形如：

import pandas as pd

s = pd.Series(['apple', 'orange', 'banana', 'pear'])

我们希望将其中的每一个字符串元素分别转换成大写方式，可以采用如下方式：

s.map(str.upper)

在上面的代码中，我们首先定义了一个str.upper函数，然后将该函数作为map()函数的参数传递过去。

示例2

下面我们举一个更加复杂，实际应用场景的示例，假设我们现在有一个Series类型的数据，数据形如：

s = pd.Series(['a', 'b', 'a', 'c', 'a', 'd'])

我们现在需要实现一个字典类型的替换操作，将数据中的'a'替换成'apple'，将'b'替换成'banana'，将'c'替换成'pear'，将'd'替换成'orange'。采用如下方式：

replace_dict = {
    'a': 'apple',
    'b': 'banana',
    'c': 'pear',
    'd': 'orange'
}

s.map(replace_dict)

在上面的代码中，我们首先定义了一个字典类型的替换关系表replace_dict，然后将该表作为map()函数的参数传递过去，实现了对Series数据的替换操作。

applymap()函数

applymap()函数和apply()函数非常相似，不同的是applymap()函数是用于对DataFrame中每个元素进行函数操作的。

语法格式

DataFrame.applymap(func)

参数说明：

• func：需要传入的函数

示例1

下面我们举一个示例说明applymap()函数的使用方法，假设我们现在有一个DataFrame数据，数据形如：

import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3, 4, 5],
    'B': [6, 7, 8, 9, 10]
})

我们希望对DataFrame的所有元素进行平方处理。可以采用如下方式：

df.applymap(lambda x: x ** 2)

在上面的代码中，我们采用了一个匿名函数lambda来实现对DataFrame所有元素的平方计算。

示例2

下面我们举一个更加复杂，实际应用场景的示例，假设我们现在有一个存储股票数据的DataFrame数据，数据形如：

df = pd.DataFrame({
    'name': ['百度', '阿里巴巴', '腾讯', '美团点评', '拼多多'],
    'price': [210, 235, 310, 88, 42]
})

我们现在需要按照如下的规则对该数据进行处理：

• 对于价格不足200的股票，我们需要减价20元
• 对于价格在200到300之间的股票，我们需要减价10元
• 对于价格超过300的股票，我们需要减价5元

那么可以采用如下方式：

def discount(price):
    if price < 200:
        return price - 20
    elif price >= 200 and price <= 300:
        return price - 10
    else:
        return price - 5

df.applymap(discount)

在上面的代码中，我们首先定义了一个discount函数，然后将该函数作为applymap()函数的参数传递过去，实现了对DataFrame数据的折扣处理。

希望这份攻略对你有所帮助！