数据转换的三剑客：Pandas 中 apply、map 和 applymap 方法的应用指南

本文主要是介绍数据转换的三剑客：Pandas 中 apply、map 和 applymap 方法的应用指南，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

数据转换的三剑客：Pandas 中 apply、map 和 applymap 方法的应用指南

在 Pandas 中，apply、map 和 applymap 是常用的数据转换和处理方法，它们为数据分析和数据处理提供了灵活的功能。这些方法可以根据具体的需求选择合适的方法进行操作。

apply：

apply 方法是 Pandas 中最常用的方法之一。它可用于在 DataFrame 或 Series 的行或列上应用函数。apply 方法接受一个函数作为参数，并将该函数应用于指定的轴或维度。返回值是一个新的 Series 或 DataFrame 对象，其中包含应用函数后的结果。

import pandas as pddef square(x):return x ** 2# 创建一个示例 DataFrame
data = {'A': [1, 2, 3],'B': [4, 5, 6]}
df = pd.DataFrame(data)
print(df)
# 应用自定义函数到列
df['A'] = df['A'].apply(square)
print(df)

在这里插入图片描述

当然，对于这种简单的语句，我们可以直接使用lamba表达式来代替。

如下：

import pandas as pd# 创建一个示例 DataFrame
data = {'A': [1, 2, 3],'B': [4, 5, 6]}
df = pd.DataFrame(data)
print(df)
# 应用自定义函数到列
df['A'] = df['A'].apply(lambda x: x ** 2)
# x相当于这一列中的每一个元素，对每一个元素都平方
print(df)

map:

map 方法用于在 Series 对象上应用函数或字典映射。它将函数或映射应用于 Series 中的每个元素，并返回一个新的 Series 对象，其中包含映射后的结果。

import pandas as pd# 创建一个示例 Series
data = pd.Series([1, 2, 3])# 应用字典映射到元素
result = data.map({1: 'A', 2: 'B', 3: 'C'})
print(result)

在这里插入图片描述

applymap:

applymap 方法用于在 DataFrame 中的每个元素上应用函数。它将函数应用于 DataFrame 的每个元素，并返回一个新的 DataFrame 对象，其中包含应用函数后的结果。

import pandas as pddef square(x):return x ** 2# 创建一个示例 DataFrame
data = {'A': [1, 2, 3],'B': [4, 5, 6]}
df = pd.DataFrame(data)# 应用自定义函数到每个元素
result = df.applymap(square)
print(result)

在这里插入图片描述

综合案例：

假设有一个包含学生信息的 DataFrame，其中包括学生姓名、年龄和成绩。现在需要进行以下操作：

将学生姓名的首字母大写。
根据不同年龄段给学生打上标签（如 “青少年”、“年轻人”、“成年人”）。
将成绩大于等于 90 的学生标记为 “优秀”，成绩大于等于 80 且小于 90 的学生标记为 “良好”，其他学生标记为 “一般”。

在这里插入图片描述

import pandas as pd# 创建示例数据
data = {'姓名': ['nike', 'mike', 'wangwu'],'年龄': [20, 25, 30],'成绩': [85, 92, 78]}
df = pd.DataFrame(data)# 1. 将学生姓名的首字母大写
df['姓名'] = df['姓名'].apply(lambda x: x.capitalize())# 2. 根据年龄段给学生打上标签
age_labels = {20: '青少年', 25: '年轻人', 30: '成年人'}
df['年龄段'] = df['年龄'].map(age_labels)
# 3. 根据成绩给学生打上标签
def grade_label(score):if score >= 90:return '优秀'elif score >= 80:return '良好'else:return '一般'
df['成绩标签'] = df['成绩'].apply(grade_label)print(df)