dataframe轉化（一）之python中的apply(),applymap(),map() 的用法和區別

 

平時在處理df series格式的時候並沒有注意 map和apply的差異

 

 

總感覺沒啥卻別。不過還是有區別的。下面總結一下：

 

import pandas as pd df1= pd.DataFrame({ "sales1":[-1,2,3], "sales2":[3,-5,7], })

 

 

1.apply

1、當我們要對數據框（DataFrame）的數據進行按行或按列操作時用apply()

note:操作的原子是行和列 ，可以用行列統計描述符 min max mean ......

當axis=0的時候是對“列”進行操作

df2=df1.apply(lambda x: x.max()-x.min(),axis=0)

print(type(df2),"\n",df2)

 

axis=1的時候是對“行”進行操作

df3=df1.apply(lambda x: x.max()-x.min(),axis=1)
 print(type(df3),"\n",df3)

 

2.也可以直接選定一列series,或者df直接操作

 

 

 

 

2.applymap

1.applymap函數之后，自動對DataFrame每一個元素進行處理，判斷之后輸出結果

df4=df1.applymap(lambda x: x>0)

print(type(df4),"\n",df4)

 

 

2.applymap是對 DataFrame 進行每個元素的單獨操作

   ie：不能添加列統計函數，因為是只針對單個元素的操作

df5=df1.applymap(lambda x: x.min())
print(type(df5),"\n",df5)

 

3.'Series' object has no attribute 'applymap'

df4=df1["sales1"].applymap(lambda x: x>0)
print(type(df4),"\n",df4)

 

 

 

3.map

1.'DataFrame' object has no attribute 'map'

df4=df1.map(lambda x: x**2)
print(type(df4),"\n",df4)

 

 

 

 

 2.map其實是對 列，series 等 進行每個元素的單獨操作

ie：不能添加列統計函數，因為是只針對單個元素的操作

df3=df1["sales1"].map(lambda x: x.max()-x.min())
print(type(df3),"\n",df3)

 

 3.正常

df4=df1["sales1"].map(lambda x: x**2)
print(type(df4),"\n",df4)