【Pandas】apply,applymap和map的区别

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u012736685/article/details/86466994

结论

• apply：用在dataframe上，用于对row或者column进行计算；
• applymap：用于dataframe上，是元素级别的操作；
• map：（其实是python自带的）用于series上，是元素级别的操作。

apply函数

apply函数：pandas里面所有函数中自由度最高的函数。该函数如下：

DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)

该函数最有用的是第一个参数，这个参数是函数，相当于C/C++的函数指针。

这个函数需要自己实现，函数的传入参数根据 axis 来定，比如 axis = 1，就会把一行数据作为Series的数据
结构传入给自己实现的函数中，我们在函数中实现对Series不同属性之间的计算，返回一个结果，则apply函数
会自动遍历每一行DataFrame的数据，最后将所有结果组合成一个Series数据结构并返回。

import pandas as pd
import numpy as np
from pandas import DataFrame
from pandas import Series
df1= DataFrame({
                "sales1":[-1,2,3],
                "sales2":[3,-5,7],
               })
print(df1)
print(df1.apply(lambda x :x.max()-x.min(),axis=1))
# 0    4
# 1    7
# 2    4
# dtype: int64
print(df1.apply(lambda x :x.max()-x.min(),axis=0))
# sales1     4
# sales2    12
# dtype: int64

applymap函数

当我们要对数据框（DataFrame）的每一个数据进行操作时用applymap()，返回结果是DataFrame格式

df1.applymap(lambda x : 1 if x>0 else 0)
# 从下面的结果可以看出，我们使用了applymap函数之后，
# 系统自动对每一个数据进行判断，判断之后输出结果

map函数

当我们要对Series的每一个数据进行操作时用map()

df1.sales1.map(lambda x : 1 if x>0 else 0)

输出结果

# 0    0
# 1    1
# 2    1
# Name: sales1, dtype: int64