c map用法-ag凯发k8国际

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。这篇文章就以案例附带图解的方式，为大家详细介绍一下这三个方法的实现原理，相信读完本文后，不论是小白还是pandas的进阶学习者，都会对这三个方法有更深入的理解。

本文演示的数据集是模拟生成的，想练手的可以按下方的代码生成。

boolean=[true,false] gender=["男","女"] color=["white","black","yellow"] data=pd.dataframe({"height":np.random.randint(150,190,100),"weight":np.random.randint(40,90,100),"smoker":[boolean[x] for x in np.random.randint(0,2,100)],"gender":[gender[x] for x in np.random.randint(0,2,100)],"age":np.random.randint(15,90,100),"color":[color[x] for x in np.random.randint(0,len(color),100) ] } )

数据集如下所示，各列分别代表身高、体重、是否吸烟、性别、年龄和肤色。

series数据处理

1. map用法

如果需要把数据集中gender列的男替换为1，女替换为0，怎么做呢？绝对不是用for循环实现，使用series.map()可以很容易做到，最少仅需一行代码。

#①使用字典进行映射 data["gender"] = data["gender"].map({"男":1, "女":0}) ​ #②使用函数 def gender_map(x):gender = 1 if x == "男" else 0return gender #注意这里传入的是函数名，不带括号 data["gender"] = data["gender"].map(gender_map)

那map在实际过程中是怎么运行的呢？请看下面的图解（为了方便展示，仅截取了前10条数据）

不论是利用字典还是函数进行映射，map方法都是把对应的数据逐个当作参数传入到字典或函数中，得到映射后的值。

2. apply

同时series对象还有apply方法，apply方法的作用原理和map方法类似，区别在于apply能够传入功能更为复杂的函数。怎么理解呢？一起看看下面的例子。

假设在数据统计的过程中，年龄age列有较大误差，需要对其进行调整（加上或减去一个值），由于这个加上或减去的值未知，故在定义函数时，需要加多一个参数bias，此时用map方法是操作不了的（传入map的函数只能接收一个参数），apply方法则可以解决这个问题。

def apply_age(x,bias):return x bias ​ #以元组的方式传入额外的参数 data["age"] = data["age"].apply(apply_age,args=(-3,))

可以看到age列都减了3，当然，这里只是简单举了个例子，当需要进行复杂处理时，更能体现apply的作用。

总而言之，对于series而言，map可以解决绝大多数的数据处理需求，但如果需要使用较为复杂的函数，则需要用到apply方法。

dataframe数据处理

1. apply

对dataframe而言，apply是非常重要的数据处理方法，它可以接收各种各样的函数（python内置的或自定义的），处理方式很灵活，下面通过几个例子来看看apply的具体使用及其原理。

在进行具体介绍之前，首先需要介绍一下dataframe中axis的概念，在dataframe对象的大多数方法中，都会有axis这个参数，它控制了你指定的操作是沿着0轴还是1轴进行。axis=0代表操作对列columns进行，axis=1代表操作对行row进行，如下图所示。

如果还不是很了解，没关系，下面会分别对apply沿着0轴以及1轴的操作进行讲解，继续往下走。

假设现在需要对data中的数值列分别进行取对数和求和的操作，这时可以用apply进行相应的操作，因为是对列进行操作，所以需要指定axis=0，使用下面的两行代码可以很轻松地解决我们的问题。

# 沿着0轴求和 data[["height","weight","age"]].apply(np.sum, axis=0) ​ # 沿着0轴取对数 data[["height","weight","age"]].apply(np.log, axis=0)

实现的方式很简单，但调用apply时究竟发生了什么呢？过程是怎么实现的？还是通过图解的方式来一探究竟。（取前五条数据为例）

当沿着轴0（axis=0）进行操作时，会将各列(columns)默认以series的形式作为参数，传入到你指定的操作函数中，操作后合并并返回相应的结果。

那如果在实际使用中需要按行进行操作（axis=1）,那整个过程又是怎么实现的呢？

在数据集中，有身高和体重的数据，所以根据这个，我们可以计算每个人的bmi指数（体检时常用的指标，衡量人体肥胖程度和是否健康的重要标准），计算公式是：体重指数bmi=体重/身高的平方（国际单位kg/㎡），因为需要对每个样本进行操作，这里使用axis=1的apply进行操作，代码如下：

def bmi(series):weight = series["weight"]height = series["height"]/100bmi = weight/height**2return bmi ​ data["bmi"] = data.apply(bmi,axis=1)

还是用图解的方式来看看这个过程到底是怎么实现的（以前5条数据为例）。

当apply设置了axis=1对行进行操作时，会默认将每一行数据以series的形式（series的索引为列名）传入指定函数，返回相应的结果。

总结一下对dataframe的apply操作：

当axis=0时，对每列columns执行指定函数；当axis=1时，对每行row执行指定函数。

无论axis=0还是axis=1，其传入指定函数的默认形式均为series，可以通过设置raw=true传入numpy数组。

对每个series执行结果后，会将结果整合在一起返回（若想有返回值，定义函数时需要return相应的值）

当然，dataframe的apply和series的apply一样，也能接收更复杂的函数，如传入参数等，实现原理是一样的，具体用法详见官方文档。

2. applymap

applymap的用法比较简单，会对dataframe中的每个单元格执行指定函数的操作，虽然用途不如apply广泛，但在某些场合下还是比较有用的，如下面这个例子。

为了演示的方便，新生成一个dataframe

df = pd.dataframe({"a":np.random.randn(5),"b":np.random.randn(5),"c":np.random.randn(5),"d":np.random.randn(5),"e":np.random.randn(5),} ) df

现在想将dataframe中所有的值保留两位小数显示，使用applymap可以很快达到你想要的目的，代码和图解如下：

df.applymap(lambda x:"%.2f" % x)

相关文章：

pandas数据分析——超好用的groupby详解

pandas数据分析——merge数据拼接图文详解

pandas数据处理——玩转时间序列数据

pandas数据处理——盘点那些常用的函数（上）

pandas数据处理——盘点那些常用的函数（下）

天秀！pandas还能用来写爬虫？

提高数据的颜值！一起看看pandas中的那些style

提速百倍的pandas性能优化方法，让你的pandas飞起来！

原创不易，如果觉得有点用，希望可以点个赞，拜谢各位老铁！

总结

以上是ag凯发k8国际为你收集整理的c map用法_pandas数据处理三板斧——map、apply、applymap详解的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得ag凯发k8国际网站内容还不错，欢迎将ag凯发k8国际推荐给好友。