在日常的數(shù)據(jù)處理中，經(jīng)常會對一個DataFrame進行逐行、逐列和逐元素的操作，對應(yīng)這些操作，Pandas中的map、apply和applymap可以解決絕大部分這樣的數(shù)據(jù)處理需求。這篇文章就以案例附帶圖解的方式，為大家詳細(xì)介紹一下這三個方法的實現(xiàn)原理，相信讀完本文后，不論是小白還是Pandas的進階學(xué)習(xí)者，都會對這三個方法有更深入的理解。

本文演示的數(shù)據(jù)集是模擬生成的，想練手的可以按下方的代碼生成。

boolean=[True,False] gender=["男","女"] color=["white","black","yellow"] data=pd.DataFrame({"height":np.random.randint(150,190,100),"weight":np.random.randint(40,90,100),"smoker":[boolean[x] for x in np.random.randint(0,2,100)],"gender":[gender[x] for x in np.random.randint(0,2,100)],"age":np.random.randint(15,90,100),"color":[color[x] for x in np.random.randint(0,len(color),100) ] } )

數(shù)據(jù)集如下所示，各列分別代表身高、體重、是否吸煙、性別、年齡和膚色。

Series數(shù)據(jù)處理

1. map用法

如果需要把數(shù)據(jù)集中g(shù)ender列的男替換為1，女替換為0，怎么做呢？絕對不是用for循環(huán)實現(xiàn)，使用Series.map()可以很容易做到，最少僅需一行代碼。

#①使用字典進行映射 data["gender"] = data["gender"].map({"男":1, "女":0}) ? #②使用函數(shù) def gender_map(x):gender = 1 if x == "男" else 0return gender #注意這里傳入的是函數(shù)名，不帶括號 data["gender"] = data["gender"].map(gender_map)

那map在實際過程中是怎么運行的呢？請看下面的圖解（為了方便展示，僅截取了前10條數(shù)據(jù)）

不論是利用字典還是函數(shù)進行映射，map方法都是把對應(yīng)的數(shù)據(jù)逐個當(dāng)作參數(shù)傳入到字典或函數(shù)中，得到映射后的值。

2. apply

同時Series對象還有apply方法，apply方法的作用原理和map方法類似，區(qū)別在于apply能夠傳入功能更為復(fù)雜的函數(shù)。怎么理解呢？一起看看下面的例子。

假設(shè)在數(shù)據(jù)統(tǒng)計的過程中，年齡age列有較大誤差，需要對其進行調(diào)整（加上或減去一個值），由于這個加上或減去的值未知，故在定義函數(shù)時，需要加多一個參數(shù)bias，此時用map方法是操作不了的（傳入map的函數(shù)只能接收一個參數(shù)），apply方法則可以解決這個問題。

def apply_age(x,bias):return x+bias ? #以元組的方式傳入額外的參數(shù) data["age"] = data["age"].apply(apply_age,args=(-3,))

可以看到age列都減了3，當(dāng)然，這里只是簡單舉了個例子，當(dāng)需要進行復(fù)雜處理時，更能體現(xiàn)apply的作用。

總而言之，對于Series而言，map可以解決絕大多數(shù)的數(shù)據(jù)處理需求，但如果需要使用較為復(fù)雜的函數(shù)，則需要用到apply方法。

DataFrame數(shù)據(jù)處理

1. apply

對DataFrame而言，apply是非常重要的數(shù)據(jù)處理方法，它可以接收各種各樣的函數(shù)（Python內(nèi)置的或自定義的），處理方式很靈活，下面通過幾個例子來看看apply的具體使用及其原理。

在進行具體介紹之前，首先需要介紹一下DataFrame中axis的概念，在DataFrame對象的大多數(shù)方法中，都會有axis這個參數(shù)，它控制了你指定的操作是沿著0軸還是1軸進行。axis=0代表操作對列columns進行，axis=1代表操作對行row進行，如下圖所示。

如果還不是很了解，沒關(guān)系，下面會分別對apply沿著0軸以及1軸的操作進行講解，繼續(xù)往下走。

假設(shè)現(xiàn)在需要對data中的數(shù)值列分別進行取對數(shù)和求和的操作，這時可以用apply進行相應(yīng)的操作，因為是對列進行操作，所以需要指定axis=0，使用下面的兩行代碼可以很輕松地解決我們的問題。

# 沿著0軸求和 data[["height","weight","age"]].apply(np.sum, axis=0) ? # 沿著0軸取對數(shù) data[["height","weight","age"]].apply(np.log, axis=0)

實現(xiàn)的方式很簡單，但調(diào)用apply時究竟發(fā)生了什么呢？過程是怎么實現(xiàn)的？還是通過圖解的方式來一探究竟。（取前五條數(shù)據(jù)為例）

當(dāng)沿著軸0（axis=0）進行操作時，會將各列(columns)默認(rèn)以Series的形式作為參數(shù)，傳入到你指定的操作函數(shù)中，操作后合并并返回相應(yīng)的結(jié)果。

那如果在實際使用中需要按行進行操作（axis=1）,那整個過程又是怎么實現(xiàn)的呢？

在數(shù)據(jù)集中，有身高和體重的數(shù)據(jù)，所以根據(jù)這個，我們可以計算每個人的BMI指數(shù)（體檢時常用的指標(biāo)，衡量人體肥胖程度和是否健康的重要標(biāo)準(zhǔn)），計算公式是：體重指數(shù)BMI=體重/身高的平方（國際單位kg/㎡），因為需要對每個樣本進行操作，這里使用axis=1的apply進行操作，代碼如下：

def BMI(series):weight = series["weight"]height = series["height"]/100BMI = weight/height**2return BMI ? data["BMI"] = data.apply(BMI,axis=1)

還是用圖解的方式來看看這個過程到底是怎么實現(xiàn)的（以前5條數(shù)據(jù)為例）。

當(dāng)apply設(shè)置了axis=1對行進行操作時，會默認(rèn)將每一行數(shù)據(jù)以Series的形式（Series的索引為列名）傳入指定函數(shù)，返回相應(yīng)的結(jié)果。

總結(jié)一下對DataFrame的apply操作：

當(dāng)axis=0時，對每列columns執(zhí)行指定函數(shù)；當(dāng)axis=1時，對每行row執(zhí)行指定函數(shù)。

無論axis=0還是axis=1，其傳入指定函數(shù)的默認(rèn)形式均為Series，可以通過設(shè)置raw=True傳入numpy數(shù)組。

對每個Series執(zhí)行結(jié)果后，會將結(jié)果整合在一起返回（若想有返回值，定義函數(shù)時需要return相應(yīng)的值）

當(dāng)然，DataFrame的apply和Series的apply一樣，也能接收更復(fù)雜的函數(shù)，如傳入?yún)?shù)等，實現(xiàn)原理是一樣的，具體用法詳見官方文檔。

2. applymap

applymap的用法比較簡單，會對DataFrame中的每個單元格執(zhí)行指定函數(shù)的操作，雖然用途不如apply廣泛，但在某些場合下還是比較有用的，如下面這個例子。

為了演示的方便，新生成一個DataFrame

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

現(xiàn)在想將DataFrame中所有的值保留兩位小數(shù)顯示，使用applymap可以很快達(dá)到你想要的目的，代碼和圖解如下：

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

相關(guān)文章：

Pandas數(shù)據(jù)分析——超好用的Groupby詳解

Pandas數(shù)據(jù)分析——Merge數(shù)據(jù)拼接圖文詳解

Pandas數(shù)據(jù)處理——玩轉(zhuǎn)時間序列數(shù)據(jù)

Pandas數(shù)據(jù)處理——盤點那些常用的函數(shù)（上）

Pandas數(shù)據(jù)處理——盤點那些常用的函數(shù)（下）

天秀！Pandas還能用來寫爬蟲？

提高數(shù)據(jù)的顏值！一起看看Pandas中的那些Style

提速百倍的Pandas性能優(yōu)化方法，讓你的Pandas飛起來！

原創(chuàng)不易，如果覺得有點用，希望可以點個贊，拜謝各位老鐵！

總結(jié)

以上是生活随笔為你收集整理的c++ map用法_Pandas数据处理三板斧——map、apply、applymap详解的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。