python pandas.map apply applymap 三种方法小结

pandas包的apply方法表示对DataFrame中的每一列元素应用函数。比如：

同时也可以在行方向做运算：

map方法：这里的map方法有点像mapreduce中的map()方法，具体的过程是将数据集中的每一个元素进行函数处理，如下：

df['a'] Name: a, dtype: float64 add = lambda x:x+1 df['a'].map(add) Name: a, dtype: float64

既然有map() 我们不妨看一看有没有reduce()，他的效果又是怎样的：reduce：

reduceData = df['a'].reduce(add) 报错：'Series' object has no attribute 'reduce' 再次尝试： df['a'] Name: a, dtype: float64 f = lambda x,y:x+y reduceData = functools.reduce(f,df['a']) reduceData Out[28]: -2.659379404636298 可以得到，reduce在pandas中没有，在functools包中，主要的操作过程是：

format = lambda x:'%.2f'%x

df.applymap(format)

可以得出：map是以行或者列为单位，series的角度下进行操作，或加或减等等只影响一部分数据

最后有一个小实验：

已知：f = lambda x:x.max()-x.min()

add = lambda x:x+1

f = lambda x,y:x+y

format = lambda x:'%.2f'%x

df.applymap(add) 正常，为数据框的值加1，

df.apply(add) 正常，为数据框的值加1，

df.applymap(f) 不正常

到底是为什么，留下来再试

文章来源: python pandas.map apply applymap 三种方法小结