快捷導(dǎo)航

Python中的map()、apply()、applymap()的區(qū)別小結(jié)

更新時(shí)間：2023年10月26日 09:14:03 作者：對(duì)許

map()、apply()和applymap()方法是Python中常用的轉(zhuǎn)換方法,,輸出的結(jié)果及類型完全取決于作為給定方法的參數(shù)的函數(shù),本文就來介紹一下這三種方法的區(qū)別,具有一定的參考價(jià)值,感興趣的可以了解一下

1、實(shí)驗(yàn)背景

Pandas庫被廣泛用于數(shù)據(jù)處理和分析。map()、apply()和applymap()方法是Python中常用的轉(zhuǎn)換方法，輸出的結(jié)果及類型完全取決于作為給定方法的參數(shù)的函數(shù)

在日常數(shù)據(jù)處理過程中，會(huì)經(jīng)常遇到這樣的情況，對(duì)一個(gè)DataFrame進(jìn)行逐行/逐列、多行/多列或逐元素的操作，很多同學(xué)可能知道需要用到map()、apply()或者applymap()，但是不知道什么情況下用哪種方法

本文將通過一個(gè)小實(shí)驗(yàn)來探討Python中的map()、apply()和applymap()的區(qū)別和使用場(chǎng)景，并得出結(jié)論

2、實(shí)驗(yàn)過程

數(shù)據(jù)準(zhǔn)備：

import numpy as np
import pandas as pd

df = pd.DataFrame({'A': [1, 4, 7], 'B': [2, 5, 8], 'C': [3, 6, 9]})
print(df)
'''
   A  B  C
0  1  2  3
1  4  5  6
2  7  8  9
'''

map()、apply()和applymap()區(qū)別演示：

1）map()

map(func, *iter)：Python內(nèi)置高級(jí)函數(shù)，用于對(duì)一個(gè)或多個(gè)可迭代序列的每個(gè)元素執(zhí)行函數(shù)func，例如Series

# 基本使用
df['D'] = list(map(lambda a, b: a + b, df.A, df.B))
print(df)
'''
   A  B  C   D
0  1  2  3   3
1  4  5  6   9
2  7  8  9  15
'''
df['E'] = list(map(lambda a, b: [a, b], df.A, df.B))
print(df)
'''
   A  B  C   D       E
0  1  2  3   3  [1, 2]
1  4  5  6   9  [4, 5]
2  7  8  9  15  [7, 8]
'''

# 應(yīng)用多個(gè)函數(shù)收集：對(duì)A、B兩列應(yīng)用求平均和求和函數(shù)，將結(jié)果收集到列表
df['F'] = [list(map(lambda f: f(a, b), [lambda x, y: (x+y)/2, lambda x, y: x+y])) for a, b in zip(df.A, df.B)]
print(df)
'''
   A  B  C   D       E          F
0  1  2  3   3  [1, 2]   [1.5, 3]
1  4  5  6   9  [4, 5]   [4.5, 9]
2  7  8  9  15  [7, 8]  [7.5, 15]
'''

2）apply()

apply(func, axis=0)：Pandas DataFrame/Series對(duì)象的方法，對(duì)df某一列/多列或某一行/多行中的元素執(zhí)行函數(shù)func，默認(rèn)axis=0為列

# 對(duì)某一列的每個(gè)元素執(zhí)行函數(shù)
df['D'] = df['A'].apply(lambda e: e ** 2)
# 對(duì)指定多列的每個(gè)元素執(zhí)行函數(shù)
df[['E', 'F']] = df[['A', 'B']].apply(lambda e: -e)
# 對(duì)某一行的每個(gè)元素執(zhí)行函數(shù)
# 除了pd.concat()，在原df基礎(chǔ)上增量追加一行可使用如下方式（不能使用該方式添加多行）
df.loc[3] = df.loc[0].apply(lambda e: e ** 2)
# 對(duì)指定多行的每個(gè)元素執(zhí)行函數(shù)
df = pd.concat([df, df.loc[0: 1, :].apply(lambda e: -e)], ignore_index=True)
print(df)
'''
   A  B  C   D  E  F
0  1  2  3   1 -1 -2
1  4  5  6  16 -4 -5
2  7  8  9  49 -7 -8
3  1  4  9   1  1  4
4 -1 -2 -3  -1  1  2
5 -4 -5 -6 -16  4  5
'''
 
# 對(duì)所有列分別計(jì)算sum
# df.index.values[-1]：獲取最后一個(gè)索引值
df.loc[df.index.values[-1]+1] = df.apply(np.sum)
print(df)
'''
    A   B   C
0   1   2   3
1   4   5   6
2   7   8   9
3  12  15  18
'''
# 對(duì)所有行分別計(jì)算sum
df['sum'] = df.apply(np.sum, axis=1)
print(df)
'''
   A  B  C  sum
0  1  2  3    6
1  4  5  6   15
2  7  8  9   24
'''
# 對(duì)DataFrame每個(gè)元素執(zhí)行函數(shù)
print(df.apply(lambda e: e + 1))
'''
   A  B   C
0  2  3   4
1  5  6   7
2  8  9  10
'''

3）applymap()

applymap(func)/df.map(func)：Pandas DataFrame對(duì)象的方法，Series不支持，用于對(duì)df的每個(gè)元素執(zhí)行函數(shù)func，且將來會(huì)被df.map()替換

在使用Series對(duì)象執(zhí)行時(shí)報(bào)錯(cuò)如下：

AttributeError: 'Series' object has no attribute 'applymap'

在使用DataFrame對(duì)象執(zhí)行時(shí)警告如下：

FutureWarning: DataFrame.applymap has been deprecated. Use DataFrame.map instead.

print(df.applymap(lambda e: e + 1))
print(df.map(lambda e: e + 1))
'''
   A  B   C
0  2  3   4
1  5  6   7
2  8  9  10
'''

3、實(shí)驗(yàn)結(jié)論

1） map(func, *iter)是Python內(nèi)置高級(jí)函數(shù)，可以直接調(diào)用，用于對(duì)一個(gè)或多個(gè)可迭代序列的每個(gè)元素執(zhí)行函數(shù)

2） apply(func, axis=0)是DataFrame/Series對(duì)象的方法，用于對(duì)df某一列(Series)/多列或某一行(Series)/多行中的每個(gè)元素執(zhí)行函數(shù)

3） applymap(func)僅是DataFrame對(duì)象的方法，不支持Series，不能指定軸axis，用于對(duì)df的每個(gè)元素執(zhí)行函數(shù)，且將來會(huì)被df.map()替換

4）在對(duì)DataFrame或Series運(yùn)用apply()、applymap()的時(shí)候，必須保證所有的字段類型與函數(shù)的參數(shù)及結(jié)果一致

到此這篇關(guān)于Python中的map()、apply()、applymap()的區(qū)別小結(jié)的文章就介紹到這了,更多相關(guān)Python map()、apply()、applymap()內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: