一、三种数据转换函数：map、apply、applymap
1.map：只用于Series，实现每个值->值的映射；
2.apply：既可以用于Series实现每个值的处理，也可以用于Dataframe实现某个轴的Series的处理；
3.applymap：只能用于DataFrame，用于处理该DataFrame的每个元素；
二、map用于Series值的转换
1.实例：将股票代码英文转换成中文名字
Series里面传入一个字典和函数都可以，即Series.map(dict) or Series.map(function)
import pandas as pd
df = pd.read_csv('./datas/read_test.csv')
df.head()
date prov isp pv uv
0 2020-04-26 hunan cmnet 2000 1000
1 2020-04-26 hunan cmnet 3000 1500
2 2020-04-26 hunan cmcc 4000 1000
3 2020-04-26 hubei ctc 2500 1000
4 2020-04-26 hubei cmcc 2000 1000
1.1、方法一，用字典；Series.map(dict)
#isp中文映射，注意这里是小写
#设置字典和映射关系
dict_isp_names = {
"cmnet": "中国移动",
"cmcc": "中国联通",
"ctc": "中国电信"
}
#使用map方法
#因为原来的DataFrame中没有isp1列，所以添加一个新的列，叫isp1，通过设置的字典和映射关系来添加
df["isp1"] = df["isp"].map(dict_isp_names)
df.head()
date prov isp pv uv isp1
0 2020-04-26 hunan cmnet 2000 1000 中国移动
1 2020-04-26 hunan cmnet 3000 1500 中国移动
2 2020-04-26 hunan cmcc 4000 1000 中国联通
3 2020-04-26 hubei ctc 2500 1000 中国电信
4 2020-04-26 hubei cmcc 2000 1000 中国联通
1.2、方法2：用函数；Series.map(function)
#function的参数是Series的每个元素的值
#使用map方法
#因为原来的DataFrame中没有isp2列，所以添加一个新的列，叫isp2，通过函数和字典的取值来添加
df["isp2"] = df["isp"].map(lambda x : dict_isp_names[x])
df.head()
date prov isp pv uv isp1 isp2
0 2020-04-26 hunan cmnet 2000 1000 中国移动 中国移动
1 2020-04-26 hunan cmnet 3000 1500 中国移动 中国移动
2 2020-04-26 hunan cmcc 4000 1000 中国联通 中国联通
3 2020-04-26 hubei ctc 2500 1000 中国电信 中国电信
4 2020-04-26 hubei cmcc 2000 1000 中国联通 中国联通
df['float_column'] = 5.67435
df.head()
date prov isp pv uv isp1 isp2 float_column
0 2020-04-26 hunan cmnet 2000 1000 中国移动 中国移动 5.67435
1 2020-04-26 hunan cmnet 3000 1500 中国移动 中国移动 5.67435
2 2020-04-26 hunan cmcc 4000 1000 中国联通 中国联通 5.67435
3 2020-04-26 hubei ctc 2500 1000 中国电信 中国电信 5.67435
4 2020-04-26 hubei cmcc 2000 1000 中国联通 中国联通 5.67435
#使用map方法
#对df['float_column']进行格式化，保留小数点后三位，并添加到新的列float_column_1中
df['float_column_1'] = df['float_column'].map(lambda x: '%.3f'%x)
df.head()
date prov isp pv uv isp1 isp2 float_column float_column_1
0 2020-04-26 hunan cmnet 2000 1000 中国移动 中国移动 5.67435 5.674
1 2020-04-26 hunan cmnet 3000 1500 中国移动 中国移动 5.67435 5.674
2 2020-04-26 hunan cmcc 4000 1000 中国联通 中国联通 5.67435 5.674
3 2020-04-26 hubei ctc 2500 1000 中国电信 中国电信 5.67435 5.674
4 2020-04-26 hubei cmcc 2000 1000 中国联通 中国联通 5.67435 5.674
三、apply用于Series和DataFrame的转换
Series.apply(function), 函数的参数是每个值
DataFrame.apply(function), 函数的参数是Series
1、Series.apply(function)
function的参数是Series的每个值
#使用apply方法
#因为原来的DataFrame中没有isp3列，所以添加一个新的列，叫isp3，用函数和字典取值来添加数据
df["isp3"] = df["isp"].apply(
lambda x : dict_isp_names[x])
df.head()
date prov isp pv uv isp1 isp2 float_column float_column_1 isp3
0 2020-04-26 hunan cmnet 2000 1000 中国移动 中国移动 5.67435 5.674 中国移动
1 2020-04-26 hunan cmnet 3000 1500 中国移动 中国移动 5.67435 5.674 中国移动
2 2020-04-26 hunan cmcc 4000 1000 中国联通 中国联通 5.67435 5.674 中国联通
3 2020-04-26 hubei ctc 2500 1000 中国电信 中国电信 5.67435 5.674 中国电信
4 2020-04-26 hubei cmcc 2000 1000 中国联通 中国联通 5.67435 5.674 中国联通
2、DataFrame.apply(function)
function的参数是对应轴的Series
#使用apply方法，对'pv','uv'这两列进行求和，得到的新的数据添加到新的列'total'中
#axis = 1，代表列相加
#axis = 0，代表行相加
df['total'] = df[['pv','uv']].apply(lambda x : x.sum(),axis = 1)
df.head()
date prov isp pv uv isp1 isp2 total
0 2020-04-26 hunan cmnet 2000 1000 中国移动 中国移动 3000
1 2020-04-26 hunan cmnet 3000 1500 中国移动 中国移动 4500
2 2020-04-26 hunan cmcc 4000 1000 中国联通 中国联通 5000
3 2020-04-26 hubei ctc 2500 1000 中国电信 中国电信 3500
4 2020-04-26 hubei cmcc 2000 1000 中国联通 中国联通 3000
注意这个代码：
1、apply是在df[['pv','uv']]这个DataFrame上调用；
2、lambda x的x是一个Series，axis=1表示跨列，axis=0 表示跨行
#使用apply方法，对'pv','uv'这两列进行求和，得到的新的数据添加到新的行'total'中
df.loc['total'] = df[['pv','uv']].apply(lambda x : x.sum(), axis = 0)
df.tail()
date prov isp pv uv isp1 isp2 total
8 2020-04-27 hunan cmcc 2800.0 1600.0 中国联通 中国联通 4400.0
9 2020-04-27 hubei ctc 2600.0 1400.0 中国电信 中国电信 4000.0
10 2020-04-27 hubei cmcc 3800.0 1900.0 中国联通 中国联通 5700.0
11 2020-04-27 hubei ctc 2400.0 1900.0 中国电信 中国电信 4300.0
total NaN NaN NaN 34400.0 17100.0 NaN NaN NaN
四、applymap用于DataFrame所有值的转换
sub_df = df[['pv', 'uv']]
sub_df.head()
pv uv
0 2000.0 1000.0
1 3000.0 1500.0
2 4000.0 1000.0
3 2500.0 1000.0
4 2000.0 1000.0
# 将这些数字取整数，应用于所有元素
sub_df = sub_df.applymap(lambda x : int(x))
pv uv
0 2000 1000
1 3000 1500
2 4000 1000
3 2500 1000
4 2000 1000
