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'] Out[17]:  aber    0.320930 tom     1.311012 jack   -2.008876 toms   -2.282446 Name: a, dtype: float64 add = lambda x:x+1 df['a'].map(add) Out[19]:  aber    1.320930 tom     2.311012 jack   -1.008876 toms   -1.282446 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'] Out[17]:  aber    0.320930 tom     1.311012 jack   -2.008876 toms   -2.282446 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： X     Y 1     2 3     3 6     4 10   5 这样计算的，上面的过程是 f = lambdas x,y  :x+y 的过程

 最后一个applymap的用法：

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

df.applymap(format)
Out[32]: 
          a      b      c      d      e
aber   0.32  -0.62  -0.10  -0.89  -0.65
tom    1.31  -1.96   0.63  -0.82  -0.88
jack  -2.01  -1.21  -1.74   0.43   0.40
toms  -2.28   1.30   0.34  -1.15   0.44

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

                 apply是以行或者列为单位在dataframe的角度下对行或列的范围里进行操作，默认为列，

                applymap是对整个dataframe不论行或者列进行操作。

                reduce是在functools包中的一个简单的聚合函数

 

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，

apply(format)  不正常，程序报错

df.applymap(f) 不正常

到底是为什么，留下来再试