基礎

以下操作基于python 3.6 windows 10 環境下 通過
將通過實例來演示三者的區別

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df.(tab)鍵,發現df的屬性列表中有apply() 和 applymap(),但沒有map().
map()是python 自帶的方法, 可以對df某列內的元素進行操作, 我個人最常用的場景就是有toward_dict的映射關系 ,為df中的toward匹配出結果,

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

結果就是沒有匹配出來, why???
因為df.toward這列數字是str型的, toward_dict中的key是int型,下面修正操作下:兩個思路:

第一種思路:`toward_dict`的key轉換為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

更新時間: 2018-08-10
我目前的實際工作中使用apply()方法比較少, 所以整理的內容比較簡陋, 后續涉及到數據分析方面可能會應用比較多些.

先將上面的測試中的map替換為apply,看看怎么樣?
結果報錯了, ValueError, 還是老老實實寫實際操作例子吧 ?
參考DataFrame.apply官方文檔
文檔中第一個參數:

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

意思即是, 將傳入的func應用到每一列或每一行,進行元素級別的運算
第二個參數:

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:

這個要特別注意的,
沒有繼續使用map里的DF, 是因為df.house是字符串, 不能進行np.sum運算,會報錯.
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 df 有三個列需要進行計算,change_type 值 為1和0, 1為漲價,0為降價, price為現價, changed為漲降價的絕對值, 現求:漲降價的比例, 精確到0位,無小數位,
解決思路:
1.最主要的計算是: 漲降價的絕對值/ 原價
2.最主要的難點是: 漲價的原價 = 現價 - 絕對值
降價的原價 = 現價 + 絕對值
偽代碼如下: 漲降價比例 = round(changed/(price 加上或減去 changed), 0)
就是我需求的結果了.

解決方案 如下:
以下代碼經過win 10 環境 python3.6 版本測試通過

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):
	"""
	策略設計
	"""
	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')

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

若有問題, 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.

文檔很簡單, 只有一個參數, 即傳入的func方法
樣例參考文檔吧, 沒有比這個更簡單了

總結:

map() 方法是pandas.series.map()方法, 對DF中的元素級別的操作, 可以對df的某列或某多列, 可以參考文檔
apply(func) 是DF的屬性, 對DF中的行數據或列數據應用func操作.
applymap(func) 也是DF的屬性, 對整個DF所有元素應用func操作

到此這篇關于pandas map(),apply(),applymap()區別解析的文章就介紹到這了,更多相關pandas map(),apply(),applymap()內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！