python中的apply(),applymap(),map() 的用法和区别

平时在处理df series格式的时候并没有注意 map和apply的差异

总感觉没啥却别。不过还是有区别的。下面总结一下：

import pandas as pd
df1= pd.DataFrame({
                "sales1":[-,,],
                "sales2":[,-,],
               })

1.apply

1、当我们要对数据框（DataFrame）的数据进行按行或按列操作时用apply()

note:操作的原子是行和列 ，可以用行列统计描述符 min max mean ......

当axis=0的时候是对“列”进行操作

df2=df1.apply(lambda x: x.max()-x.min(),axis=0)
print(type(df2),"\n",df2)

axis=1的时候是对“行”进行操作

df3=df1.apply(lambda x: x.max()-x.min(),axis=1)
print(type(df3),"\n",df3)

2.也可以直接选定一列series,或者df直接操作

2.applymap

1.applymap函数之后，自动对DataFrame每一个元素进行处理，判断之后输出结果

df4=df1.applymap(lambda x: x>0)
print(type(df4),"\n",df4)

2.applymap是对 DataFrame 进行每个元素的单独操作

ie：不能添加列统计函数，因为是只针对单个元素的操作

df5=df1.applymap(lambda x: x.min())
print(type(df5),"\n",df5)

3.'Series' object has no attribute 'applymap'

df4=df1["sales1"].applymap(lambda x: x>0)
print(type(df4),"\n",df4)

3.map

1.'DataFrame' object has no attribute 'map'

df4=df1.map(lambda x: x**2)
print(type(df4),"\n",df4)

2.map其实是对 列，series 等 进行每个元素的单独操作

ie：不能添加列统计函数，因为是只针对单个元素的操作

df3=df1["sales1"].map(lambda x: x.max()-x.min())
print(type(df3),"\n",df3)

3.正常

df4=df1["sales1"].map(lambda x: x**2)
print(type(df4),"\n",df4)