pandas中apply与map的异同-技术圈

◆ ◆ ◆ ◆ ◆

前言

pandas作为数据处理与分析的利器，它的江湖地位非同小可。在我们数据处理与分析过程中，有时候需要对某一列的每一个值都进行处理，这时候推荐大家使用apply或者map。

但是，二者又有啥区别呢？一起来通过几个小例子学习一下吧。

APPLY

一、直接使用内置函数或者numpy函数

# 数据展示>>> dfOut[1]:    姓名  年龄0   alan  191  black  152   cici  233  david  224   eric  18
# 计算字符长度>>> df['姓名'].apply(len)Out[2]: 0    41    52    43    54    4Name: 姓名, dtype: int64
# 计算平方>>> df['年龄'].apply(np.square)Out[3]: 0    3611    2252    5293    4844    324Name: 年龄, dtype: int64

二、使用lambda匿名函数

# 根据年龄打标签：是否成年>>> df['年龄'].apply(lambda x: '已成年' if x>=18 else '未成年')Out[4]: 0    已成年1    未成年2    已成年3    已成年4    已成年Name: 年龄, dtype: object
# 修改姓名为首字母大写>>> df['姓名'].apply(lambda x: x.title())Out[5]: 0     Alan1    Black2     Cici3    David4     EricName: 姓名, dtype: object

三、使用def自定义函数

# 自定义函数def fn(x):    if x >=18:        return '成年人'    else:        return '未成年'
# 自定义函数作为apply参数      >>> df['年龄'].apply(fn)Out[6]: 0    成年人1    未成年2    成年人3    成年人4    成年人Name: 年龄, dtype: object

需要注意的是，apply不仅可以用于Series，还可用于DataFrame，具体可以根据自己的业务需要，及数据处理规范来使用即可。

MAP

一、直接使用内置函数或者numpy函数

# 计算字符长度>>> df['姓名'].map(len)Out[7]: 0    41    52    43    54    4Name: 姓名, dtype: int64
# 计算平方>>> df['年龄'].map(np.square)Out[8]: 0    3611    2252    5293    4844    324Name: 年龄, dtype: int64

二、使用lambda匿名函数

# 根据年龄打标签：是否成年>>> df['年龄'].map(lambda x: '已成年' if x>=18 else '未成年')Out[9]: 0    已成年1    未成年2    已成年3    已成年4    已成年Name: 年龄, dtype: object
# 修改姓名为首字母大写>>> df['姓名'].map(lambda x: x.title())Out[10]: 0     Alan1    Black2     Cici3    David4     EricName: 姓名, dtype: object

三、使用def自定义函数

# 自定义函数作为map参数      >>> df['年龄'].map(fn)Out[11]: 0    成年人1    未成年2    成年人3    成年人4    成年人Name: 年龄, dtype: object

四、使用dict作为map参数

# apply没有这种功能！>>> df['姓名'].map({'alan':'女','black':'男','cici':'女','david':'男','eric':'男'})Out[12]: 0    女1    男2    女3    男4    男Name: 姓名, dtype: object

通过上面的小例子讲解，我们可以得出以下结论：

（1）map、apply在用于Series时，对每一个值进行处理，两者并没有什么区别。（是否受数据量影响可以自行验证）

（2）apply不仅可以用于Series，还可以用于DataFrame；而map只能用于Series。

（3）一般情况下，apply应用更广泛，尤其是自定义函数带多个参数时，建议使用apply。

记得点在看~祝大家一夜暴富，基金、股票一片红~

“在看”的永远18岁~