python基础——apply(),applymap(),map()方法的区别

 在Python中要对数据使用函数，可以借助apply(),applymap(),map() 来应用函数，括号里面可以是直接函数式，或者自定义函数（def）或者匿名函数（lambad）。

下面，我们定义个一个DataFrame，进行案例说明：

import pandas as pd
import numpy as np
from pandas import DataFrame
from pandas import Series
df= DataFrame({"a":[-1,2,3],"b":[3,-5,7],})

输出：

1、apply()函数

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

df.apply(lambda x:x.max()-x.min(),axis=1)  #按照行取极差。

输出：

0    4
1    7
2    4
dtype: int64

有些时候，我们发现，不用指定行/列也可以，这个时候就和applymap的用法类似了。如下：

df.apply(lambda x:x+1)

输出：

 2、applymap()函数

当我们要对数据框（DataFrame）的每一个数据进行操作时用applymap()函数，返回结果是DataFrame格式。

df.applymap(lambda x : 1 if x>0 else 0)

输出：

以下和apply的用法类似。

df.applymap(lambda x:x+1)

输出：

如以下我们就不能使用applymap，applymap是对df中的每个元素（int）进行计算的，int是没有max()函数的。如下：

df.applymap(lambda x:x.max()-x.min())

输出：

AttributeError: 'int' object has no attribute 'max'

同样，因为applymap是对df中的每个元素（int）进行计算的，没有通过axis指定行列这一说。如下：

df.applymap(lambda x:x.max()-x.min(),axis=1)

输出：

TypeError: applymap() got an unexpected keyword argument 'axis'

3、map()函数

当我们要对Series的每一个数据进行操作时用map()函数。

df['a'].map(lambda x :x+ 1)

输出： 

0    0
1    3
2    4
Name: a, dtype: int64

 同样，map是对Series的每一个数据进行操作的。所以无法直接对df进行操作，如下：

df.map(lambda x :x+ 1)

输出：

AttributeError: 'DataFrame' object has no attribute 'map'