目录

一、map()函数

1.map() 参数为字典；

2.map() 参数为内置函数；

3.map() 参数定义为自定义函数；

4.map() 参数为lambda匿名函数；

二、apply()函数

1.遍历DataFrame按列求和

2. 遍历DataFrame按列行求和

 三、 applymap()函数

 1.对数据进行格式化处理，保留两位小数

 四、map(),apply(),applymap()函数的区别

一、map()函数

划重点：map 函数对Series的每个元素执行遍历处理，该参数可以是字典，也可以是函数；

1.map() 参数为字典；

import pandas as pd
s=pd.Series(['增长','持平','下降'])
s.map({'增长':0.1,'持平':0,'下降':-0.1})

 当map()函数参数为字典的时候，返回字典的的值；

2.map() 参数为内置函数；

使用map()函数给数字后面添加”月”;

import numpy as np
s1=pd.Series(np.arange(1,13))
s1.map('{}月'.format)

 map()函数遍历Series的每个元素，对每个元素进行格式化处理，后面添加了”月”。

3.map() 参数定义为自定义函数；

map()自定义函数实现对数据的任意操作，常见的操作有：

Series字符串处理；

Series数据格式化操作；

Series分组数据分组操作；

Series对数据进行自定义运算；

例：数据自定义运算：Series数据扩大10倍

def fun(x):
    return x*10
s2=pd.Series(np.random.randint(10,100,10))
print(s2)
s2.map(fun)

4.map() 参数为lambda匿名函数；

map()参数为lambda匿名函数,使用范围更广，写法更为简洁；

接上文，使用lambda匿名函数对Series数据扩大十倍；

s2.map(lambda x: x*10)

二、apply()函数

划重点：apply()函数遍历DataFrame的行和列；

df=pd.DataFrame({
    'A':np.random.randint(80,150,10),
    'B':np.random.randint(30,150,10),
    'C':np.random.randint(10,150,10),
})
df

 使用匿名函数输出一下：

df.apply(lambda x: print(x))

划重点：使用apply()函数遍历DataFrame,数据从左至右按列遍历，每一列数据都是Series。

1.遍历DataFrame按列求和

df.apply(sum,axis=0) 

2. 遍历DataFrame按列行求和

df['sum']=df.apply(sum,axis=1) #按行求和
df

 三、 applymap()函数

划重点：applymap()函数遍历DataFrame中每个元素；

df1=pd.DataFrame({
    'A':np.random.rand(10),
    'B':np.random.rand(10),
    'C':np.random.rand(10),
})
df1

 1.对数据进行格式化处理，保留两位小数

pandas格式化处理完数据为为”object”,需要转化为”float”

df1.applymap('{:.2f}'.format).astype('float')

 四、map(),apply(),applymap()函数的区别