apply()、map()、applymap()

1、apply()

介绍：应用于每个列或行的功能，默认每一列；在后面加 axis=1改为用于行

df = pd.DataFrame([[1,3]]*3)
df.columns = ['one','two']
print(df)
	one	two
0	1	3
1	1	3
2	1	3

1.1 生成新的一列

df['three'] = df.apply(lambda x:x['one']+x['two'], axis=1)
print(df)
	one	two	three
0	1	3	4
1	1	3	4
2	1	3	4

1.2 对每列求和

print(df.apply(np.sum))
one       3
two       9
three    12
dtype: int64

2、map()

介绍：根据提供的函数对指定序列做映射。返回一个“对象”；可以用list出来

def square(x):return x ** 2
lst1 = list(map(square, [1,3,5,7,8]))
print(lst1)
[1, 9, 25, 49, 64]

lst2 = list(map(lambda x:x**2, [1,3,5,7,8]))
print(lst2)
[1, 9, 25, 49, 64]

lst3 = list(map(lambda x,y:x+y,[1,2,3,4,5],[6,7,8,9,0]))
print(lst3)
[7, 9, 11, 13, 5]

3、applymap()

介绍：应用于每个值，用于元素操作。

import pandas as pd
df = pd.DataFrame([[1,2.632],[4.234, 0.234]],columns=['first', 'second'])
print(df)
	first	second
0	1.000	2.632
1	4.234	0.234

df.applymap(lambda x:int(x))
	first	second
0	1	2
1	4	0

df.applymap(lambda x:(str(x)))
	first	second
0	1.0	2.632
1	4.234	0.234

20201122更新补充一些实例：
首先需要介绍一下DataFrame中axis的概念,
在DataFrame对象的大多数方法中，都会有axis这个参数，它控制了你指定的操作是沿着0轴还是1轴进行。
axis=0代表操作对列columns进行，axis=1代表操作对行row进行

1、map() 应用于每个列或行的功能

创建测试数据源

import numpy as np
import pandas as pd
boolean=[True,False]
gender=[“男”,“女”]
color=[“white”,“black”,“yellow”]
data=pd.DataFrame({
“height”:np.random.randint(150,190,6),
“weight”:np.random.randint(40,90,6),
“smoker”:[boolean[x] for x in np.random.randint(0,2,6)],
“gender”:[gender[x] for x in np.random.randint(0,2,6)],
“age”:np.random.randint(15,90,6),
“color”:[color[x] for x in np.random.randint(0,len(color),6) ]
})
data
height weight smoker gender age color
0 161 54 False 男 87 white
1 173 78 False 女 77 yellow
2 185 50 True 男 65 white
3 167 65 True 女 49 yellow
4 158 54 True 女 83 white
5 181 56 True 男 32 yellow

map()，传入字典

data[‘gender_1’]=data[‘gender’].map({‘男’:1,‘女’:0})
data[[‘gender’,‘gender_1’]]
gender gender_2
0 男 1
1 女 0
2 男 1
3 女 0
4 女 0
5 男 1

map()，传入函数

data[‘gender_2’] = data[‘gender’].map(lambda x:1 if x == “男” else 0)
data[[‘gender’,‘gender_2’]]
gender gender_2
0 男 1
1 男 1
2 女 0
3 男 1
4 女 0
5 女 0

不论是利用字典还是函数进行映射，map方法都是把对应的数据逐个当作参数传入到字典或函数中，得到映射后的值。

2、apply() 功能其实和map()很像

创建测试数据源

import numpy as np
import pandas as pd
boolean=[True,False]
gender=[“男”,“女”]
color=[“white”,“black”,“yellow”]
data=pd.DataFrame({
“height”:np.random.randint(150,190,6),
“weight”:np.random.randint(40,90,6),
“smoker”:[boolean[x] for x in np.random.randint(0,2,6)],
“gender”:[gender[x] for x in np.random.randint(0,2,6)],
“age”:np.random.randint(15,90,6),
“color”:[color[x] for x in np.random.randint(0,len(color),6) ]
})
data
height weight smoker gender age color
0 161 54 False 男 87 white
1 173 78 False 女 77 yellow
2 185 50 True 男 65 white
3 167 65 True 女 49 yellow
4 158 54 True 女 83 white
5 181 56 True 男 32 yellow

apply() 求和

data[[“height”,“weight”,“age”]].apply(np.sum,axis=0)
height 1007
weight 364
age 337
dtype: int64

apply() 取对数

data[[“height”,“weight”,“age”]].apply(np.log, axis=0)
height weight age
0 5.159055 4.382027 3.970292
1 5.187386 3.891820 4.219508
2 5.056246 4.158883 4.110874
3 5.204007 4.343805 4.290459
4 5.105945 3.737670 3.891820
5 5.010635 3.951244 3.496508

apply() 传入函数

def BMI(data):
weight = data[‘weight’]
height = data[‘height’]/100
BMI = weight/height**2
return BMI
data[‘BMI’] = data.apply(BMI, axis=1)
data
height weight smoker gender age color BMI
0 174 80 True 女 53 black 26.423570
1 179 49 True 男 68 black 15.292906
2 157 64 False 男 61 yellow 25.964542
3 182 77 False 女 73 white 23.245985
4 165 42 True 男 49 white 15.426997
5 150 52 True 女 33 yellow 23.111111

apply() 用匿名函数实现

data[‘bbb’] = data.apply(lambda x:x[‘weight’]/((x[‘height’]/100)**2),axis=1)
data
height weight smoker gender age color BMI bbb
0 174 80 True 女 53 black 26.423570 26.423570
1 179 49 True 男 68 black 15.292906 15.292906
2 157 64 False 男 61 yellow 25.964542 25.964542
3 182 77 False 女 73 white 23.245985 23.245985
4 165 42 True 男 49 white 15.426997 15.426997
5 150 52 True 女 33 yellow 23.111111 23.111111

3、applymap() 会对DataFrame中的每个单元格执行指定函数的操作

创建测试数据源

df = pd.DataFrame(
{
“A”:np.random.randn(5),
“B”:np.random.randn(5),
“C”:np.random.randn(5),
“D”:np.random.randn(5),
“E”:np.random.randn(5),
}
)
df
A B C D E
0 -2.187775 -1.745212 0.995669 -0.704973 -1.391891
1 -1.249293 2.636823 0.280112 -1.676235 0.038624
2 -0.278298 -0.470418 -1.615759 -1.785880 0.233765
3 -0.446566 0.596736 0.419343 -0.139570 0.329558
4 -0.346454 0.285782 -1.244479 0.026556 -0.792457

传入匿名函数

df.applymap(lambda x:"%.2f"%x)

df.applymap(lambda x:round(x,2))

A			B		C		D		E

0 -2.06 1.06 1.54 0.27 2.15
1 -0.62 0.40 0.44 2.16 0.32
2 0.80 -1.29 0.63 0.13 0.98
3 -0.38 0.96 -0.29 -1.17 0.45
4 -0.32 1.05 -0.41 -0.04 0.49