Pandas中map(),applymap(),apply()函数的使用方法_Python

将函数应用于pandas对象（pandas.DataFrame，pandas.Series）时，根据所应用的函数类型以及是否将其应用于元素，行或列，使用的方法会有所不同。

指定pandas对象作为NumPy函数的参数

将Pandas对象指定为函数参数
是否将其应用于元素，行或列取决于函数的类型和参数的设置而有所不同
Pandas对象中的一些方法

Pandas对象方法的函数应用
元素功能（标量值）

适用于Series的每个元素：map（），apply（）
应用于DataFrame的每个元素：applymap（）

行和列的功能（一维数组）

应用于DataFrame的每行和每列：apply（）

用以下csv文件作为示例进行说明。

a,b,c,d
11,12,13,14
21,22,23,24
31,32,33,34

				?

									import pandas as pd

									import numpy as np

									df = pd.read_csv('./data/06/sample_header.csv')

									print(df)

									#     a   b   c   d

									# 0  11  12  13  14

									# 1  21  22  23  24

									# 2  31  32  33  34

指定pandas对象作为NumPy函数的参数

可以将Pandas对象指定为NumPy函数的参数。

元素的应用

NumPy的通用函数（ufunc：应用于数组元素的函数）适用于pandas对象的每个元素。

绝对值（fabs（）），平方根（sqrt（）），log（log（））等。

				?

									print(np.sqrt(df))

									#           a         b         c         d

									# 0  3.316625  3.464102  3.605551  3.741657

									# 1  4.582576  4.690416  4.795832  4.898979

									# 2  5.567764  5.656854  5.744563  5.830952

行/列的应用

如果将pandas对象指定为从NumPy数组的所有元素计算值的函数的参数，则默认情况下它将应用于pandas对象的每列。如果参数轴= 1，则将其应用于每行。

最大值（amax（）），最小值（amin（）），平均值（mean（））等。

				?

									print(np.amax(df))

									# a    31

									# b    32

									# c    33

									# d    34

									# dtype: int64

									print(np.mean(df, axis=1))

									# 0    12.5

									# 1    22.5

									# 2    32.5

									# dtype: float64

pandas.DataFrame，pandas.Series方法

最大值，最小值，平均值，方差等也被准备为Pandas对象的方法，因此也可以直接使用它们。

同样，在这种情况下，默认情况下也会将其应用于每一列，并且如果参数axis = 1，则会将其应用于每一行。

				?

									print(df.max())

									# a    31

									# b    32

									# c    33

									# d    34

									# dtype: int64

									print(df.max(axis=1))

									# 0    14

									# 1    24

									# 2    34

									# dtype: int64

Pandas对象方法的函数应用

可以使用pandas对象方法将函数应用于元素，行和列。您可以应用Python内置函数或您定义的函数。

应用于Series的每个元素：map（），apply（）
应用于DataFrame的每个元素：applymap（）
应用于DataFrame的每行和每列：apply（）
应用于DataFrame的特定行/列元素

以上方法都返回一个新的已处理的对象，而原始对象则保持不变。没有像dropna（）或fillna（）那样的参数，因此，如果想更改原始对象本身时，

				?

									df = df.applymap(function)

如上，用原始对象替换新对象并覆盖它。

适用于Series的每个元素：map（），apply（）

将Python内置函数，匿名函数（lambda）或def定义的函数传递给map（）或apply（）的参数。

				?

									s = df['a']

									print(s)

									# 0    11

									# 1    21

									# 2    31

									# Name: a, dtype: int64

									f_brackets = lambda x: '[{}]'.format(x)

									print(s.map(f_brackets))

									# 0    [11]

									# 1    [21]

									# 2    [31]

									# Name: a, dtype: object

									def f_str(x):

									    return str(x).replace('1', 'One').replace('2', 'Two').replace('3', 'Three').replace('4', 'Four')

									print(s.map(f_str))

									# 0      OneOne

									# 1      TwoOne

									# 2    ThreeOne

									# Name: a, dtype: object

对于map（），如果将字典dict指定为参数，它将替换为元素。

应用于DataFrame的每个元素：applymap（）

将Python的内置函数，匿名函数（lambda）或def定义的函数传递为applymap（）的参数。

				?

									f_oddeven = lambda x: 'odd' if x % 2 == 1 else 'even'

									print(df.applymap(f_oddeven))

									#      a     b    c     d

									# 0  odd  even  odd  even

									# 1  odd  even  odd  even

									# 2  odd  even  odd  even

应用于DataFrame的每行和每列：apply（）

将适用于一维数组的函数传递给apply（）的参数。默认情况下，它应用于每列，如果axis = 1，则应用于每行。

				?

									f_maxmin = lambda x: max(x) - min(x)

									print(df.apply(f_maxmin))

									# a    20

									# b    20

									# c    20

									# d    20

									# dtype: int64

									print(df.apply(f_maxmin, axis=1))

									# 0    3

									# 1    3

									# 2    3

									# dtype: int64

应用于DataFrame的特定行/列元素

由于没有方法仅将功能应用于DataFrame的特定行/列元素，可执行以下方法。

选择行/列并应用带有map（）或apply（）的功能
覆盖原始行/列

				?

									df['b'] = df['b'].map(f_str)

									print(df)

									#     a         b   c   d

									# 0  11    OneTwo  13  14

									# 1  21    TwoTwo  23  24

									# 2  31  ThreeTwo  33  34

									df.iloc[2] = df.iloc[2].map(f_str)

									print(df)

									#           a         b           c          d

									# 0        11    OneTwo          13         14

									# 1        21    TwoTwo          23         24

									# 2  ThreeOne  ThreeTwo  ThreeThree  ThreeFour