pandas apply、applymap、map和transform

在日常的数据处理中，经常会对一个DataFrame进行逐行、逐列和逐元素的操作，对应这些操作，Pandas中的map、apply和applymap可以解决绝大部分这样的数据处理需求。

一，apply

apply是指沿着DataFrame的轴（axis）调用一个函数：

DataFrame.apply(func, axis=0, raw=False, result_type=None, args=(), **kwargs)
Series.apply(func, convert_dtype=True, args=(), **kwargs)

参数axis：axis=0或axis=‘index’，表示对每一列都应用函数；axis=1或axis=‘column’，表示对每一行都应用函数

 

举个例子，有如下的数据集：

df = pd.DataFrame([[4, 9]] * 3, columns=['A', 'B'])
df
   A  B
0  4  9
1  4  9
2  4  9

沿着索引，就是计算每一列的累加和：

df.apply(np.sum, axis=0)
A    12
B    27
dtype: int64

沿着列，就是计算每一行的累加和：

df.apply(np.sum, axis=1)
0    13
1    13
2    13
dtype: int64

二，applymap

applymap()函数对每个元素应用一个函数：

DataFrame.applymap(func)

定义一个函数foo，使用applymap()函数把函数foo应用于DataFrame对象的各个元素上，

foo=lambda x: '%.2f' % x
df.applymap(foo)

三，map

map是Series的一个方法，用于对序列的每一元素执行一个映射，把一个值转换为另一个值。

Series.map(arg, na_action=None)

举个例子，把序列中的文本按照特定的格式替换为新的文本：

s = pd.Series(['cat', 'dog', np.nan, 'rabbit'])
s
0      cat
1      dog
2      NaN
3   rabbit
dtype: object

s.map('I like a {}'.format, na_action='ignore')
0     I am a cat
1     I am a dog
2            NaN
3  I am a rabbit
dtype: object

四，transform

转换数据，调用函数对数据元素进行处理：

DataFrame.transform(func, axis=0, *args, **kwargs)
Series.transform(func, axis=0, *args, **kwargs)

参数*args 和 **kwargs 都是传递给func的参数：

df = pd.DataFrame({'A': range(3), 'B': range(1, 4)})
df
   A  B
0  0  1
1  1  2
2  2  3
df.transform(lambda x: x + 1)
   A  B
0  1  2
1  2  3
2  3  4

 

 

参考文档：

pandas DataFrame