pandas中map，apply，applymap的区别

 

基于Series数据结构的操作

pandas.Series.apply
Series.map
对元素进行按元素操作
For element-wise operations

Series.agg
官网注明只能使用聚合类型的操作，如sum，count，mean，std，prod，first，last，可以使用多个

only perform aggregating type operations
 

但是实际上自定义函数也是可以使用的，也可以args加入多个参数，但是这就抢了apply的饭碗了。

ratings['rating'].agg(minusone,args=(1,))

only perform aggregating type operations

Series.transform

only perform transformating type operation

这里拿一个例子来说明，df调用是按列调用，首先计算了这列的均值和标准差，在把最终计算结果放到对应的位置上去。

df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'],
...                   index=pd.date_range('1/1/2000', periods=10))
df.iloc[3:7] = np.nan
>>> df.transform(lambda x: (x - x.mean()) / x.std())
                   A         B         C
2000-01-01  0.579457  1.236184  0.123424
2000-01-02  0.370357 -0.605875 -1.231325
2000-01-03  1.455756 -0.277446  0.288967
2000-01-04       NaN       NaN       NaN
2000-01-05       NaN       NaN       NaN
2000-01-06       NaN       NaN       NaN
2000-01-07       NaN       NaN       NaN
2000-01-08 -0.498658  1.274522  1.642524
2000-01-09 -0.540524 -1.012676 -0.828968
2000-01-10 -1.366388 -0.614710  0.005378

Series.apply

官网注明可以应用更复杂的函数到Series，所以当你不知道用啥的时候就apply就对了
For applying more complex functions on a Series.

不仅可以传参数元组，还可以传入参数列表

def add_custom_values(x, **kwargs):
...     for month in kwargs:
...         x+=kwargs[month]
...     return x
>>> series.apply(add_custom_values, june=30, july=20, august=25)
London      95
New York    96
Helsinki    87
dtype: int64

还可以调用np的函数，虽然以上几个都可以，(lll￢ω￢)

ratings['rating'].map(np.log)
 

 

基于DataFrame数据结构的操作

pandas.DataFrame.apply

DataFrame.apply
Apply a function row-/column-wise.

既可以按列又可以按行进行计算

这个功能太强大了，默认参数较多，我就不一一列举了，可以点进去自己看

http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.apply.html#pandas.DataFrame.apply

DataFrame.applymap

这个是应用到整个df上的，无默认参数，不多bb，用了就是全部转换
Apply a function elementwise on a whole DataFrame.

 

另外DataFrame.agg和DataFrame.transform也是存在的，多了默认参数axis和参数元组和参数列表

DataFrame.aggregate(func, axis=0, *args, **kwargs)