結論

• apply：用在dataframe上，用于對row或者column進行計算；
• applymap：用于dataframe上，是元素級別的操作；
• map：（其實是python自帶的）用于series上，是元素級別的操作。

apply函數

apply函數：pandas里面所有函數中自由度最高的函數。該函數如下：

DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)

該函數最有用的是第一個參數，這個參數是函數，相當于C/C++的函數指針。

這個函數需要自己實現，函數的傳入參數根據 axis 來定，比如 axis = 1，就會把一行數據作為Series的數據
結構傳入給自己實現的函數中，我們在函數中實現對Series不同屬性之間的計算，返回一個結果，則apply函數
會自動遍歷每一行DataFrame的數據，最后將所有結果組合成一個Series數據結構并返回。

import pandas as pd import numpy as np from pandas import DataFrame from pandas import Series df1= DataFrame({"sales1":[-1,2,3],"sales2":[3,-5,7],}) print(df1) print(df1.apply(lambda x :x.max()-x.min(),axis=1)) # 0 4 # 1 7 # 2 4 # dtype: int64 print(df1.apply(lambda x :x.max()-x.min(),axis=0)) # sales1 4 # sales2 12 # dtype: int64

applymap函數

當我們要對數據框（DataFrame）的每一個數據進行操作時用applymap()，返回結果是DataFrame格式

df1.applymap(lambda x : 1 if x>0 else 0) # 從下面的結果可以看出，我們使用了applymap函數之后， # 系統自動對每一個數據進行判斷，判斷之后輸出結果

map函數

當我們要對Series的每一個數據進行操作時用map()

df1.sales1.map(lambda x : 1 if x>0 else 0)

輸出結果

# 0 0 # 1 1 # 2 1 # Name: sales1, dtype: int64

總結

以上是生活随笔為你收集整理的【Pandas】apply,applymap和map的区别的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。