map()、apply()、applymap()三者在pandas中有什么區(qū)別

map()、apply()、applymap()三者在pandas中有什么區(qū)別？相信很多沒(méi)有經(jīng)驗(yàn)的人對(duì)此束手無(wú)策，為此本文總結(jié)了問(wèn)題出現(xiàn)的原因和解決方法，通過(guò)這篇文章希望你能解決這個(gè)問(wèn)題。

將通過(guò)實(shí)例來(lái)演示三者的區(qū)別

toward_dict = {1: '東', 2: '南', 3: '西', 4: '北'}
df = pd.DataFrame({'house' : list('AABCEFG'),
          'price' : [100, 90, '', 50, 120, 150, 200],
          'toward' : ['1','1','2','3','','3','2']})
df

map()方法

通過(guò)df.(tab)鍵,發(fā)現(xiàn)df的屬性列表中有apply() 和 applymap(),但沒(méi)有map().
map()是python 自帶的方法, 可以對(duì)df某列內(nèi)的元素進(jìn)行操作, 我個(gè)人最常用的場(chǎng)景就是有toward_dict的映射關(guān)系 ,為df中的toward匹配出結(jié)果,

 df['朝向'] = df.toward.map(toward_dict);df

結(jié)果就是沒(méi)有匹配出來(lái), why???
因?yàn)?code>df.toward這列數(shù)字是str型的, toward_dict中的key是int型,下面修正操作下:兩個(gè)思路:

第一種思路:`toward_dict`的key轉(zhuǎn)換為str型
toward_dict2 = dict((str(key), val) for key, val in toward_dict.items())

# 第二種思路, 將df.toward轉(zhuǎn)為int型
df.toward = df.toward.map(lambda x: np.nan if x == '' else x).map(int,na_action='ignore')
df['朝向2'] = df.toward.map(toward_dict);df

apply() 方法

更新時(shí)間: 2018-08-10
我目前的實(shí)際工作中使用apply()方法比較少, 所以整理的內(nèi)容比較簡(jiǎn)陋, 后續(xù)涉及到數(shù)據(jù)分析方面可能會(huì)應(yīng)用比較多些.

先將上面的測(cè)試中的map替換為apply,看看怎么樣?
結(jié)果報(bào)錯(cuò)了, ValueError, 還是老老實(shí)實(shí)寫實(shí)際操作例子吧 ?
參考DataFrame.apply官方文檔
文檔中第一個(gè)參數(shù):

func : function
Function to apply to each column or row.

意思即是, 將傳入的func應(yīng)用到每一列或每一行,進(jìn)行元素級(jí)別的運(yùn)算
第二個(gè)參數(shù):

axis : {0 or ‘index', 1 or ‘columns'}, default 0
Axis along which the function is applied:
0 or ‘index': apply function to each column. # 注意這里的解釋
1 or ‘columns': apply function to each row.

舉例:

這個(gè)要特別注意的,
沒(méi)有繼續(xù)使用map里的DF, 是因?yàn)閐f.house是字符串, 不能進(jìn)行np.sum運(yùn)算,會(huì)報(bào)錯(cuò).
2018年12月3日 新增:
最近在工作中使用到了pandas.apply()方法,更新如下:

背景介紹:

一個(gè) df 有三個(gè)列需要進(jìn)行計(jì)算,change_type 值 為1和0, 1為漲價(jià),0為降價(jià), price為現(xiàn)價(jià), changed為漲降價(jià)的絕對(duì)值, 現(xiàn)求:漲降價(jià)的比例, 精確到0位,無(wú)小數(shù)位,
解決思路:
1.最主要的計(jì)算是: 漲降價(jià)的絕對(duì)值/ 原價(jià)
2.最主要的難點(diǎn)是: 漲價(jià)的原價(jià) = 現(xiàn)價(jià) - 絕對(duì)值
降價(jià)的原價(jià) = 現(xiàn)價(jià) + 絕對(duì)值
偽代碼如下: 漲降價(jià)比例 = round(changed/(price 加上或減去 changed), 0)
就是我需求的結(jié)果了.

解決方案 如下:
以下代碼經(jīng)過(guò)win 10 環(huán)境 python3.6 版本測(cè)試通過(guò)

import pandas as pd
df = pd.DataFrame({'change_type' : [1,1,0,0,1,0],
          'price' : [100, 90, 50, 120, 150, 200],
          'changed' : [10,8,4,11,14,10]})

def get_round(change_type, price, changed_val):
	"""
	策略設(shè)計(jì)
	"""
	if change_type == 0:
		return round(changed_val/(price + changed_val) * 100, 2)
	elif change_type == 1:
		return round(changed_val/(price - changed_val) * 100, 2)
	else:
		print(f'{change} is not exists')

# 策略實(shí)現(xiàn)
df['round'] = df.apply(lambda x: get_round(x['change_type'], x['price'], x['changed']),axis=1)

若有問(wèn)題, 歡迎指正, 謝謝

applymap()

參考DataFrame.applymap官方文檔:

func : callable
Python function, returns a single value from a single value.

文檔很簡(jiǎn)單, 只有一個(gè)參數(shù), 即傳入的func方法
樣例參考文檔吧, 沒(méi)有比這個(gè)更簡(jiǎn)單了

總結(jié):

map() 方法是pandas.series.map()方法, 對(duì)DF中的元素級(jí)別的操作, 可以對(duì)df的某列或某多列, 可以參考文檔
apply(func) 是DF的屬性, 對(duì)DF中的行數(shù)據(jù)或列數(shù)據(jù)應(yīng)用func操作.
applymap(func) 也是DF的屬性, 對(duì)整個(gè)DF所有元素應(yīng)用func操作

看完上述內(nèi)容，你們掌握map()、apply()、applymap()三者在pandas中有什么區(qū)別的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！