Pandas apply, map 和 applymap 的区别
本教程解释了 Pandas 中 apply()、map() 和 applymap() 方法之间的区别。
与 applymap() 相关联的函数被应用于给定的 DataFrame 的所有元素，因此 applymap() 方法只针对 DataFrames 定义。同样，与 apply() 方法相关联的函数可以应用于 DataFrame 或 Series 的所有元素，因此 apply() 方法是为 Series 和 DataFrame 对象定义的。Pandas 中的 map() 方法只能为 Series 对象定义。
import pandas as pd
df = pd.DataFrame(
{
"Col 1": [30, 40, 50, 60],
"Col 2": [23, 35, 65, 45],
"Col 3": [85, 87, 90, 89],
},
index=["A", "B", "C", "D"],
)
print(df, "\n")
输出：
Col 1 Col 2 Col 3
A 30 23 85
B 40 35 87
C 50 65 90
D 60 45 89
我们将使用上例中显示的 DataFrame df 来解释 Pandas 中 apply()、map() 和 applymap() 方法之间的区别。
pandas.DataFrame.applymap()
语法
DataFrame.applymap(func, na_action=None)
它将函数 func 应用于 DataFrame 的每个元素。
示例：使用 applymap() 方法来改变 DataFrame 中的元素
import pandas as pd
df = pd.DataFrame(
{
"Col 1": [30, 40, 50, 60],
"Col 2": [23, 35, 65, 45],
"Col 3": [85, 87, 90, 89],
},
index=["A", "B", "C", "D"],
)
print("Initial DataFrame:")
print(df, "\n")
scaled_df = df.applymap(lambda a: a * 10)
print("Scaled DataFrame:")
print(scaled_df, "\n")
输出：
Initial DataFrame:
Col 1 Col 2 Col 3
A 30 23 85
B 40 35 87
C 50 65 90
D 60 45 89
Scaled DataFrame:
Col 1 Col 2 Col 3
A 300 230 850
B 400 350 870
C 500 650 900
D 600 450 890
它对 df DataFrame 中的每个元素相乘，并将结果存储在 scaled_df DataFrame 中。我们将一个 lambda 函数作为参数传递给 applymap() 函数，该函数通过将输入值与 10 相乘返回一个值。所以 DataFrame df 中的每一个元素都会被缩放为 10。
我们也可以使用 for 循环来迭代 df DataFrame 中的每个元素，但它使我们的代码可读性降低，凌乱，效率降低。applymap() 是另一种替代方法，可以使代码更具可读性和效率。
除了数学运算，我们还可以对 DataFrame 的元素进行其他操作。
import pandas as pd
df = pd.DataFrame(
{
"Col 1": [30, 40, 50, 60],
"Col 2": [23, 35, 65, 45],
"Col 3": [85, 87, 90, 89],
},
index=["A", "B", "C", "D"],
)
print("Initial DataFrame:")
print(df, "\n")
altered_df = df.applymap(lambda a: str(a) + ".00")
print("Altered DataFrame:")
print(altered_df, "\n")
输出：
Initial DataFrame:
Col 1 Col 2 Col 3
A 30 23 85
B 40 35 87
C 50 65 90
D 60 45 89
Altered DataFrame:
Col 1 Col 2 Col 3
A 30.00 23.00 85.00
B 40.00 35.00 87.00
C 50.00 65.00 90.00
D 60.00 45.00 89.00
它在 DataFrame df 中的每个元素的末尾添加 .00。
Pandas 中的 map() 方法
import pandas as pd
df = pd.DataFrame(
{
"Col 1": [30, 40, 50, 60],
"Col 2": [23, 35, 65, 45],
"Col 3": [85, 87, 90, 89],
},
index=["A", "B", "C", "D"],
)
print("Initial DataFrame:")
print(df, "\n")
df["Col 1"] = df["Col 1"].map(lambda x: x / 100)
print("DataFrame after altering Col 1:")
print(df)
输出：
Initial DataFrame:
Col 1 Col 2 Col 3
A 30 23 85
B 40 35 87
C 50 65 90
D 60 45 89
DataFrame after altering Col 1:
Col 1 Col 2 Col 3
A 0.3 23 85
B 0.4 35 87
C 0.5 65 90
D 0.6 45 89
我们只能对 DataFrame 的特定列使用 map() 方法。
Pandas 中的 apply() 方法
apply() 方法改变 Pandas 中的整个 DataFrame
import pandas as pd
df = pd.DataFrame(
{
"Col 1": [30, 40, 50, 60],
"Col 2": [23, 35, 65, 45],
"Col 3": [85, 87, 90, 89],
},
index=["A", "B", "C", "D"],
)
print("Initial DataFrame:")
print(df, "\n")
altered_df = df.apply(lambda x: x / 100)
print("Altered DataFrame:")
print(altered_df, "\n")
输出：
Initial DataFrame:
Col 1 Col 2 Col 3
A 30 23 85
B 40 35 87
C 50 65 90
D 60 45 89
Altered DataFrame:
Col 1 Col 2 Col 3
A 0.3 0.23 0.85
B 0.4 0.35 0.87
C 0.5 0.65 0.90
D 0.6 0.45 0.89
apply() 方法在 Pandas 中只修改某一列
import pandas as pd
df = pd.DataFrame(
{
"Col 1": [30, 40, 50, 60],
"Col 2": [23, 35, 65, 45],
"Col 3": [85, 87, 90, 89],
},
index=["A", "B", "C", "D"],
)
print("Initial DataFrame:")
print(df, "\n")
df["Col 1"] = df["Col 1"].apply(lambda x: x / 100)
print("DataFrame after altering Col 1:")
print(df)
输出：
Initial DataFrame:
Col 1 Col 2 Col 3
A 30 23 85
B 40 35 87
C 50 65 90
D 60 45 89
DataFrame after altering Col 1:
Col 1 Col 2 Col 3
A 0.3 23 85
B 0.4 35 87
C 0.5 65 90
D 0.6 45 89
因此，从上面的例子中，我们可以看到，apply() 方法可以用来将一个特定的函数应用于整个 DataFrame 的所有元素或某一列的所有元素。
Suraj Joshi is a backend software engineer at Matrice.ai.
LinkedIn