◆ ◆ ◆  ◆ ◆

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
>>> df
Out[1]:姓名  年龄
0   alan  19
1  black  15
2   cici  23
3  david  22
4   eric  18# 计算字符长度
>>> df['姓名'].apply(len)
Out[2]:
0    4
1    5
2    4
3    5
4    4
Name: 姓名, dtype: int64# 计算平方
>>> df['年龄'].apply(np.square)
Out[3]:
0    361
1    225
2    529
3    484
4    324
Name: 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     Alan
1    Black
2     Cici
3    David
4     Eric
Name: 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    4
1    5
2    4
3    5
4    4
Name: 姓名, dtype: int64# 计算平方
>>> df['年龄'].map(np.square)
Out[8]:
0    361
1    225
2    529
3    484
4    324
Name: 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     Alan
1    Black
2     Cici
3    David
4     Eric
Name: 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~

往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑