pandas中apply与map的异同

最新推荐文章于 2024-01-26 14:55:20 发布

IT农民工1

最新推荐文章于 2024-01-26 14:55:20 发布

阅读量336

点赞数 1

文章标签：数据分析数据可视化 visio c++11 lambda

公众号后台回复“图书“，了解更多号主新书内容

作者：严小样儿

来源：统计与数据分析实战

前言

pandas作为数据处理与分析的利器，它的江湖地位非同小可。在我们数据处理与分析过程中，有时候需要对某一列的每一个值都进行处理，这时候推荐大家使用apply或者map。

但是，二者又有啥区别呢？一起来通过几个小例子学习一下吧。

APPLY

一、直接使用内置函数或者numpy函数

# 数据展示
>>> df
Out[1]:
    姓名  年龄
0   alan  19
1  black  15
2   cici  23
3  david  22
4   eric  18


# 计算字符长度
>>> df['姓名'].apply(len)
Out[2]: 
0    4
1    5
2    4
3    5
4    4
Name: 姓名, dtype: int64


# 计算平方
>>> df['年龄'].apply(np.square)
Out[3]: 
0    361
1    225
2    529
3    484
4    324
Name: 年龄, dtype: int64

二、使用lambda匿名函数

# 根据年龄打标签：是否成年
>>> df['年龄'].apply(lambda x: '已成年' if x>=18 else '未成年')
Out[4]: 
0    已成年
1    未成年
2    已成年
3    已成年
4    已成年
Name: 年龄, dtype: object


# 修改姓名为首字母大写
>>> df['姓名'].apply(lambda x: x.title())
Out[5]: 
0     Alan
1    Black
2     Cici
3    David
4     Eric
Name: 姓名, dtype: object

三、使用def自定义函数

# 自定义函数
def fn(x):
    if x >=18:
        return '成年人'
    else:
        return '未成年'


# 自定义函数作为apply参数      
>>> df['年龄'].apply(fn)
Out[6]: 
0    成年人
1    未成年
2    成年人
3    成年人
4    成年人
Name: 年龄, dtype: object

需要注意的是，apply不仅可以用于Series，还可用于DataFrame，具体可以根据自己的业务需要，及数据处理规范来使用即可。

MAP

一、直接使用内置函数或者numpy函数

# 计算字符长度
>>> df['姓名'].map(len)
Out[7]: 
0    4
1    5
2    4
3    5
4    4
Name: 姓名, dtype: int64


# 计算平方
>>> df['年龄'].map(np.square)
Out[8]: 
0    361
1    225
2    529
3    484
4    324
Name: 年龄, dtype: int64

二、使用lambda匿名函数

# 根据年龄打标签：是否成年
>>> df['年龄'].map(lambda x: '已成年' if x>=18 else '未成年')
Out[9]: 
0    已成年
1    未成年
2    已成年
3    已成年
4    已成年
Name: 年龄, dtype: object


# 修改姓名为首字母大写
>>> df['姓名'].map(lambda x: x.title())
Out[10]: 
0     Alan
1    Black
2     Cici
3    David
4     Eric
Name: 姓名, dtype: object

三、使用def自定义函数

# 自定义函数作为map参数      
>>> df['年龄'].map(fn)
Out[11]: 
0    成年人
1    未成年
2    成年人
3    成年人
4    成年人
Name: 年龄, dtype: object

四、使用dict作为map参数

# apply没有这种功能！
>>> df['姓名'].map({'alan':'女','black':'男','cici':'女','david':'男','eric':'男'})
Out[12]: 
0    女
1    男
2    女
3    男
4    男
Name: 姓名, dtype: object

通过上面的小例子讲解，我们可以得出以下结论：

（1）map、apply在用于Series时，对每一个值进行处理，两者并没有什么区别。（是否受数据量影响可以自行验证）

（2）apply不仅可以用于Series，还可以用于DataFrame；而map只能用于Series。

（3）一般情况下，apply应用更广泛，尤其是自定义函数带多个参数时，建议使用apply。

◆ ◆ ◆  ◆ ◆
麟哥新书已经在京东上架了，我写了本书：《拿下Offer-数据分析师求职面试指南》，目前京东正在举行100-50活动，大家可以用相当于原价5折的预购价格购买，还是非常划算的：

点击下方小程序即可进入购买页面：

数据森麟公众号的交流群已经建立，许多小伙伴已经加入其中，感谢大家的支持。大家可以在群里交流关于数据分析&数据挖掘的相关内容，还没有加入的小伙伴可以扫描下方管理员二维码，进群前一定要关注公众号奥，关注后让管理员帮忙拉进群，期待大家的加入。

管理员二维码：


猜你喜欢

● 麟哥拼了！！！亲自出镜推荐自己新书《数据分析师求职面试指南》● 厉害了！麟哥新书登顶京东销量排行榜！● 笑死人不偿命的知乎沙雕问题排行榜
● 用Python扒出B站那些“惊为天人”的阿婆主！● 你相信逛B站也能学编程吗