Pandas中map、apply、transform函数

1、map函数

在pandas中，map()函数可以用于根据字典的映射关系转换数据。map()函数是用于Series对象的方法，他将Series中的每个元素根据字典的映射进行转换。

Series.map(func: Callable, na_action: Literal["ignore"] | None = ..., **kwargs)

参数：

na_action:是否忽略NaN，默认为None，可以设置成‘ignore’

我们以例子来实现，将dataframe中的性别转换成汉字。

import pandas as pd
data = pd. DataFrame (
    {"name": ['Jack', 'Alice', 'Lily', 'Mshis', 'Gdli' , 'Agosh', 'Filu', 'Mack', 'Lucy', 'Pony' ],
    "gender": ['F', 'M', 'F', 'F', 'M', 'F', 'M', 'M', 'F', 'F'],
    "age":[25, 34, 49, 42, 28, 23, 45, 21, 34, 29]}
)
data.gender=data.gender.map({"F":'男','M':'女'})
print(data)

 map也可以传替函数：

随机生成100个成绩，我们将成绩进行评级

import pandas as pd
import numpy as np

data=pd.DataFrame(np.random.randint(0,100,size=(100,1)),
                    columns=["python"]                
                  )
print(data)
def change(x):
    if x<60:
        return '不及格'
    elif x<80:
        return '中等'
    elif x<90:
        return '良好'
    else:
        return '优秀'
s=data.python.map(change)
data['等级']=s
print(data)

 2、apply函数

apply函数是用于DataFrame的方法，它可以用于数据转换和处理。其接受一个函数作为参数，并将参数应用到DataFrame中的每一行或每一列。

既支持Series也支持DataFrame

 随机生成100*3个数，我们计算平均值

import pandas as pd
import numpy as np

df=pd.DataFrame(np.random.randint(0,100,size=(100,3)),
                columns=['math','python','en']
                )
def cover(x):
    return x.mean().round(2),x.count(),x.median()

print(df.apply(cover,axis=0))
print('---------')
print(df.apply(cover,axis=1))

 再计算每一行的和

def sum(row):
    return row['math']+row['python']+row['en']

df['sum']=df.apply(sum,axis=1)#axis=0会报错
print(df)

 3、transfrom函数

在pandas中，transform函数用来对数据进行转换（允许对每个组的值进行操作），并返回与输入相同形状的结果，使得转换后的结果与原始数据保持对应的关系。

• 基本用法

transform通常与groupby一起使用，允许你对每一组的数据进行操作。最常见的用途是计算每个组的某种统计量，并在原始数据框中返回相同的长度。

• 语法

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

• func: 一个函数或具有可调用对象的字符串，它定义了将应用到每个组的操作。
• axis: 轴向，默认为0，适用于行。
• args / kwargs: 可选参数，传递给函数。

• 示例

import pandas as pd  

# 创建示例数据  
data = {  
    '部门': ['销售', '销售', '市场', '市场', '研发', '研发'],  
    '工资': [5000, 6000, 4500, 7000, 8000, 9000]  
}  
df = pd.DataFrame(data)  

# 使用groupby和transform计算每个部门工资的标准化  
df['工资标准化'] = df.groupby('部门')['工资'].transform(lambda x: (x - x.mean()) / x.std())  

print(df)

 关键点：

1. 返回形状: transform返回一个与原始数据结构相同大小的对象。
2. 功能丰富: 可以使用任何适用于Series的函数，如mean(), sum(), min(), max(), 等。
3. 支持多个函数: 可以使用函数的名称作为字符串。