深入浅出Pandas中map(),applymap(),apply()函数的使用方法

在使用Pandas进行数据清洗和处理时，经常需要对数据进行一些操作。而map(), applymap()和apply()是三个十分有用的函数，可用于实现各种操作，从简单的值转换到更复杂的函数应用。在本文中，我们将详细介绍这三个函数的使用方法。

1. map()函数

map()函数是一种元素级函数，适用于Series中的每个值。它接受一个函数或字典作为输入，并将其应用于Series中的每个值。

1.1 map()函数的基本用法

下面的示例展示了如何使用map()函数，将Series中的每个值都乘以2：

import pandas as pd
data = {'A':[1,2,3,4],'B':[5,6,7,8]}
df = pd.DataFrame(data)
df['A'] = df['A'].map(lambda x: x * 2)
print(df)

运行结果如下：

   A  B
0  2  5
1  4  6
2  6  7
3  8  8

上述示例中，我们定义了一个lambda函数，将Series中的每个值都乘以2。然后使用map()函数将这个函数应用到Series中的每个值。

1.2 使用字典进行值替换

map()函数还可以使用字典，将Series中的某些值替换为其他值。下面的示例展示了如何使用字典将Series中的0替换为男性，1替换为女性：

import pandas as pd
data = {'A':[0,1,0,1],'B':[5,6,7,8]}
df = pd.DataFrame(data)
df['A'] = df['A'].map({0:'male',1:'female'})
print(df)

运行结果如下：

        A  B
0    male  5
1  female  6
2    male  7
3  female  8

上述示例中，我们使用了一个字典将0替换为male，将1替换为female。然后使用map()函数将这个字典应用到Series中的每个值。

2. applymap()函数

applymap()函数是一种元素级函数，适用于DataFrame中的每个值。它接受一个函数作为输入，并将其应用于DataFrame中的每个值。

2.1 applymap()函数的基本用法

下面的示例展示了如何使用applymap()函数，将DataFrame中的每个值都乘以2：

import pandas as pd
data = {'A':[1,2,3,4],'B':[5,6,7,8]}
df = pd.DataFrame(data)
df = df.applymap(lambda x: x * 2)
print(df)

运行结果如下：

   A   B
0  2  10
1  4  12
2  6  14
3  8  16

上述示例中，我们定义了一个lambda函数，将DataFrame中的每个值都乘以2。然后使用applymap()函数将这个函数应用到DataFrame中的每个值。

2.2 使用applymap()函数进行值替换

applymap()函数还可以使用字典，将DataFrame中的某些值替换为其他值。下面的示例展示了如何使用字典将DataFrame中的0替换为男性，1替换为女性：

import pandas as pd
data = {'A':[0,1,0,1],'B':[5,6,7,8]}
df = pd.DataFrame(data)
df = df.applymap(lambda x: {0:'male',1:'female'}.get(x,x))
print(df)

运行结果如下：

        A  B
0    male  5
1  female  6
2    male  7
3  female  8

上述示例中，我们定义了一个lambda函数，使用了字典将0替换为male，将1替换为female。然后使用applymap()函数将这个函数应用到DataFrame中的每个值。

3. apply()函数

apply()函数是一种行或列级函数，适用于DataFrame中的每一行或列。它接受一个函数作为输入，并将其应用于DataFrame的每一行或列。

3.1 apply()函数的基本用法

下面的示例展示了如何使用apply()函数，计算每一行的和，并创建一个新的列来存储这些结果:

import pandas as pd
data = [[1,2,3],[4,5,6],[7,8,9]]
df = pd.DataFrame(data,columns=['A','B','C'])
df['sum'] = df.apply(lambda x: x['A'] + x['B'] + x['C'],axis=1)
print(df)

运行结果如下：

   A  B  C  sum
0  1  2  3    6
1  4  5  6   15
2  7  8  9   24

上述示例中，我们定义了一个lambda函数，计算每一行的和，并使用apply()函数将这个函数应用到DataFrame的每一行。我们还使用了axis参数指定了行级别的操作。

3.2 使用apply()函数进行值替换

apply()函数还可以使用字典，将DataFrame中的某些值替换为其他值。下面的示例展示了如何使用字典将DataFrame中的0替换为男性，1替换为女性：

import pandas as pd
data = {'A':[0,1,0,1],'B':[5,6,7,8]}
df = pd.DataFrame(data)
df = df.apply(lambda x: x.map({0:'male',1:'female'}.get))
print(df)

运行结果如下：

       A  B
0   male  5
1 female  6
2   male  7
3 female  8

上述示例中，我们使用了一个字典将0替换为male，将1替换为female。然后使用apply()函数将这个字典应用到DataFrame中的每个值。

总结

在Pandas中，map(), applymap(), apply()函数各有其特点。map()函数适用于Series中的每个值，applymap()函数适用于DataFrame中的每个值，而apply()函数适用于DataFrame中的每一行或列。

在使用map()函数和applymap()函数时，可以使用lambda函数或字典进行值转换、值替换等操作。在使用apply()函数时，需要指定axis参数来表示是行级别的操作还是列级别的操作。

希望本文可以为您使用Pandas提供一些帮助。