Pandas中的map(), apply()和applymap()的应用

它们的区别在于应用的对象不同。
1、map（）
map() 是一个Series的函数，DataFrame结构中没有map()。map()将一个自定义函数应用于Series结构中的每个元素(elements)。

df = pd.DataFrame({'key1' : ['a', 'a', 'b', 'b', 'a'],
                   'key2' : ['one', 'two', 'one', 'two', 'one'],
                   'data1' : np.arange(5),
                   'data2' : np.arange(5,10)})
df

我们现在用map来对列data1改成保留小数点后三位

df['data1'] = df['data1'].map(lambda x : "%.3f"%x) #lambda在这里其实是在定义一个简单的函数，一个没有函数名的函数。
df

 

你也可以用map把key1的a改成c，b改成d

df['key1'] = df['key1'].map({'a':'c',"b":"d"})
df

lambda的好处就是简单、好写、好理解。坏处就是不能重复利用，在重复使用时还是要重新再定义。

2、apply（）
apply()将一个函数作用于DataFrame中的每个行或者列

例子：
我们现在用apply来对列data1，data2进行相加

#axis =1 ,apply function to each row. 
#axis =0,apply function to each column,default 0
df['total'] = df[['data1','data2']].apply(lambda x : x.sum(),axis=1 ) 
df

 df.loc['total'] = df[['data1','data2']].apply(lambda x : x.sum(),axis=0 )
df

3、applymap（）
将函数做用于DataFrame中的所有元素(elements)

例子：
例如，在所有元素前面加个字符A

def  addA(x):
    return "A" + str(x )
df.applymap(addA)

其实，只要转换一下，三者都是可以通用的，就看你写代码的时候，你的对象写的是那个了，是是一列，一行，还是全部。

原文链接：https://blog.csdn.net/maymay_/article/details/80229053