Pandas知识点-详解元素级批处理函数applymap和map

Pandas知识点-详解元素级批处理函数applymap和map

在Pandas中，apply()可以对DataFrame和Series按列或行批处理，applymap()和map()可以分别对DataFrame和Series进行元素级的批处理。
apply()批处理参考：Pandas知识点-详解行列级批处理函数apply
与apply()相同，applymap()和map()只负责“批量”调度处理，批量执行的具体内容，由用户传入的函数决定（自定义或现成的函数）。
1.applymap用法和参数介绍
applymap(self, func, na_action=None, **kwargs) :
func: 应用于DataFrame每个元素的函数，这个函数可以是Python内置函数、Pandas或其他库中的函数、自定义函数、匿名函数。但函数必须满足一个参数、一个返回值。（returns a single value from a single value.）
na_action: 批处理时是否处理空值，支持两种设置：{None, ‘ignore’}，默认为None，将空值作为np.nan传递给函数。如果将na_action设置为’ignore’，则批处理时跳过空值，不做处理。
**kwargs: 传递给函数func的关键字参数，新版本的Pandas中才支持此参数，低版本不一定支持。使用pandas==1.2.1不支持，使用pandas==1.4.1支持。
2.applymap函数使用举例

# coding=utf-8
import pandas as pd
import numpy as np


df = pd.DataFrame({'Col-1': [8, 3, 5], 'Col-2': [2, np.nan, 8], 'Col-3': [9, 8, 7], 'Col-4': [3, 6, 9]},
                  index=['X', 'Y', 'Z'])
print(df)
df2 = df.applymap(lambda x: x+10)  # 匿名函数
print('-' * 30, '\n', df2, sep='')

   Col-1  Col-2  Col-3  Col-4
X      8    2.0      9      3
Y      3    NaN      8      6
Z      5    8.0      7      9
------------------------------
   Col-1  Col-2  Col-3  Col-4
X     18   12.0     19     13
Y     13    NaN     18     16
Z     15   18.0     17     19

def make_ok(s, st='ok'):
    return '{}{}'.format(s, st)


df3 = df.applymap(make_ok)  # 自定义函数
print('-' * 30, '\n', df3, sep='')
df4 = df.applymap(make_ok, na_action='ignore')  # 不处理空值
print('-' * 30, '\n', df4, sep='')
df5 = df.applymap(make_ok, na_action='ignore', st='oooook')  # 传入关键字参数
print('-' * 40, '\n', df5, sep='')

------------------------------
  Col-1  Col-2 Col-3 Col-4
X   8ok  2.0ok   9ok   3ok
Y   3ok  nanok   8ok   6ok
Z   5ok  8.0ok   7ok   9ok
------------------------------
  Col-1  Col-2 Col-3 Col-4
X   8ok  2.0ok   9ok   3ok
Y   3ok    NaN   8ok   6ok
Z   5ok  8.0ok   7ok   9ok
----------------------------------------
     Col-1      Col-2    Col-3    Col-4
X  8oooook  2.0oooook  9oooook  3oooook
Y  3oooook        NaN  8oooook  6oooook
Z  5oooook  8.0oooook  7oooook  9oooook

applymap()不支持给func传位置参数，所以func必须只有一个位置参数，默认接收DataFrame中的元素。
applymap()不支持设置按列还是按行，因为applymap是对DataFrame的每个元素做处理，无需指定行/列。
applymap()不支持传入多个函数进行聚合处理，也不支持函数名用字符串的方式传入。
3.不使用applymap完成等价效果

df6 = df.applymap(np.square, na_action='ignore')
print('-' * 30, '\n', df6, sep='')
df7 = df ** 2
print('-' * 30, '\n', df7, sep='')

------------------------------
   Col-1  Col-2  Col-3  Col-4
X     64    4.0     81      9
Y      9    NaN     64     36
Z     25   64.0     49     81
------------------------------
   Col-1  Col-2  Col-3  Col-4
X     64    4.0     81      9
Y      9    NaN     64     36
Z     25   64.0     49     81

df8 = df.applymap(lambda x: x*2)
print('-' * 30, '\n', df8, sep='')
df9 = df.add(df)
print('-' * 30, '\n', df9, sep='')

------------------------------
   Col-1  Col-2  Col-3  Col-4
X     16    4.0     18      6
Y      6    NaN     16     12
Z     10   16.0     14     18
------------------------------
   Col-1  Col-2  Col-3  Col-4
X     16    4.0     18      6
Y      6    NaN     16     12
Z     10   16.0     14     18

有些用applymap()进行的批处理操作，用其他方式也可以实现，如直接对DataFrame进行运算或调用其他的函数。
4.map用法和参数介绍
map(self, arg, na_action=None):
arg: 应用于Series每个元素的映射关系（不仅仅是函数），可以传入满足一个参数一个返回值的函数，也可以传入字典或另一个Series。
na_action: 同applymap。
5.map函数使用举例

s = pd.Series(range(2, 11, 2), index=[alpha for alpha in 'abcde'])
print(s)
s1 = s.map(np.sqrt)  # 库函数
print('-' * 20, '\n', s1, sep='')
s2 = s.map(make_ok)  # 自定义函数
print('-' * 20, '\n', s2, sep='')
s3 = s.map(lambda x: x*3)  # 匿名函数
print('-' * 20, '\n', s3, sep='')

a     2
b     4
c     6
d     8
e    10
dtype: int64
--------------------
a    1.414214
b    2.000000
c    2.449490
d    2.828427
e    3.162278
dtype: float64
--------------------
a     2ok
b     4ok
c     6ok
d     8ok
e    10ok
dtype: object
--------------------
a     6
b    12
c    18
d    24
e    30
dtype: int64

map()中的函数可以传入库函数、自定义函数、匿名函数，但都需要满足一个参数一个返回值。
map()不支持给函数传入关键字参数。
6.map使用字典或另一个Series做映射

mydict = {2: 'two', 4: 'four', 6: 'six', 8: 'eight', 10: 'ten'}
s4 = s.map(mydict)
print('-' * 20, '\n', s4, sep='')
sx = pd.Series(mydict)
s5 = s.map(sx)
print('-' * 20, '\n', s5, sep='')

--------------------
a      two
b     four
c      six
d    eight
e      ten
dtype: object
--------------------
a      two
b     four
c      six
d    eight
e      ten
dtype: object

map()中传入一个字典时，字典的key需要与Series中的值对应，才能找到映射结果，找不到则结果为空。
map()中传入另一个Series时，传入的Series的index需要与原Series中的值对应，才能找到映射结果，找不到则结果为空。
7.applymap和map实现字符串拼接

df10 = df.applymap('oohoho{}'.format)
print('-' * 40, '\n', df10, sep='')
s6 = s.map('now data is {}'.format)
print('-' * 20, '\n', s6, sep='')

----------------------------------------
     Col-1      Col-2    Col-3    Col-4
X  oohoho8  oohoho2.0  oohoho9  oohoho3
Y  oohoho3  oohohonan  oohoho8  oohoho6
Z  oohoho5  oohoho8.0  oohoho7  oohoho9
--------------------
a     now data is 2
b     now data is 4
c     now data is 6
d     now data is 8
e    now data is 10
dtype: object

applymap()和map()支持直接给DataFrame或Series中的元素拼接字符串。
以上就是pandas中的applymap()和map()函数的用法介绍和分析，希望对你有帮助，如果你有其他的想法或疑问，欢迎找我一起交流讨论。

参考文档：
[1] pandas中文网：https://www.pypandas.cn/docs/