【Python基础】pandas中apply与map的异同

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。

最后

以上就是稳重自行车为你收集整理的【Python基础】pandas中apply与map的异同的全部内容，希望文章能够帮你解决【Python基础】pandas中apply与map的异同所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。