Pandas中apply,applymap以及python自带map的用法与区别

1.apply()

Pandas中apply函数的格式为：

apply(func, axis=0,raw=False, result_type=None, args=(), **kwds)

其中，func可以是匿名函数，应用在DataFrame的行或列上。

axis：0或'index'：函数应用在DataFrame每列上；

          1或'columns'：函数应用在DataFrame每行上。

raw:布尔值，默认False。

       False or None：将每一行或一列作为系列传入函数；

       True：传入的函数将接收nparray对象。

result_type:{‘expand’, ‘reduce’, ‘broadcast’, None},默认为 None

仅作用在axis=1上（列）

'expand':列表结果将变为列，返回的为Dataframe;

'reduce':返回一个系列,Series;

'broadcast':返回DataFrame数据，将保留原来的索引和列。

args：除了数组、系列之外，参数将传递给func。

import pandas as pd
import numpy as np

np.random.seed(123)
df = pd.DataFrame(np.random.randint(1,20,size=(5,4)),
                  index=['A','B','C','D','E'],
                  columns=['a','b','c','d'])

首先，用numpy生成一个（5,4）的随机整数DataFrame，范围是在（1,20）。其中设置了随机数种子，这样所产生的的随机数是一样的。

df.apply(np.sqrt)

将会作用于DataFrame数据框的每一个数，其结果如下：

df.apply(np.sum,axis=0)
df.apply(np.sum,axis=1)

               

其中，axis=0按列进行求和；axis=2按行进行求和。

df.apply(lambda x:[1,2,3,4],axis=1,result_type='reduce')
df.apply(lambda x:[1,2,3,4],axis=1,result_type='expand')
df.apply(lambda x:[1,2,3,4],axis=1,result_type='broadcast')

其结果依次为：

       

图1的结果就是Series，图2,3的结果都是Dataframe,唯一不同的就是图3保留的原来的索引和列。

2.map（）

map() 会根据提供的函数对指定序列做映射。第一个参数 function 以参数序列中的每一个元素调用 function 函数，返回包含每次 function 函数返回值的新列表。

iterable可以是一个或多个序列。其返回值为一个map对象。

map(function, iterable, ...)

def f(x):
    return x**2

list(map(f,[1,3,5,7,8]))

map（）函数在python3中的返回值是iterators，可用list（）函数转换；在python2中为返回值为list。

3.applymap（）

函数语法格式为：

applymap(func)

该函数的返回值为一个DataFrame。

df1 = pd.DataFrame([[1, 2.12], [3.356, 4.567]])

a = df1.applymap(lambda x:len(str(x)))