詳解Pandas的三大利器(map,apply,applymap)

2022-02-25 13:00:11

模擬資料

通過一個模擬的資料來說明3個函數的使用，在這個例子中學會了如何生成各種模擬資料。資料如下：

import pandas as pd
import numpy as np

boolean = [True, False]
gender = ["男","女"]
color = ["white","black","red"]

# 好好學習如何生成模擬資料：非常棒的例子
# 學會使用random模組中的randint方法

df = pd.DataFrame({"height":np.random.randint(160,190,100),
                     "weight":np.random.randint(60,90,100),
                     "smoker":[boolean[x] for x in np.random.randint(0,2,100)],
                     "gender":[gender[x] for x in np.random.randint(0,2,100)],
                     "age":np.random.randint(20,60,100),
                     "color":[color[x] for x in np.random.randint(0,len(color),100)]
                    })
df.head()

1、map

demo

map() 會根據提供的函數對指定序列做對映。

第一個引數 function 以引數序列中的每一個元素呼叫 function 函數，返回包含每次 function 函數返回值的新列表。

map(function, iterable)

實際資料

將gender中男變成1，女變成0

# 方式1：通過字典對映實現
dic = {"男":1, "女":0}  # 通過字典對映
df1 = df.copy()   # 副本，不破壞原來的資料df
df1["gender"] = df1["gender"].map(dic)
df1

# 方式2：通過函數實現
def map_gender(x):
    gender = 1 if x == "男" else 0
    return gender

df2 = df.copy()
# 將df["gender"]這個S型資料中的每個數值傳進去
df2["gender"] = df2["gender"].map(map_gender)
df2

2、apply

apply方法的作用原理和 map方法類似，區別在於 apply能夠傳入功能更為複雜的函數，可以說 apply是 map的高階版

pandas 的 apply() 函數可以作用於 Series 或者整個 DataFrame，功能也是自動遍歷整個 Series 或者 DataFrame, 對每一個元素執行指定的函數。

在 DataFrame物件的大多數方法中，都會有 axis這個引數，它控制了你指定的操作是沿著0軸還是1軸進行。 axis=0代表操作對列columns進行， axis=1代表操作對行row進行

demo

上面的資料中將age欄位的值都減去3，即加上-3

def apply_age(x,bias):
    return x + bias

df4 = df.copy()
# df4["age"]當做第一個值傳給apply_age函數，args是第二個引數
df4["age"] = df4["age"].apply(apply_age,args=(-3,))

計算BMI指數

# 實現計算BMI指數：體重/身高的平方(kg/m^2)
def BMI(x):
    weight = x["weight"]
    height = x["height"] / 100
    BMI = weight / (height **2)

    return BMI

df5 = df.copy()
df5["BMI"] = df5.apply(BMI,axis=1)  # df5現在就相當於BMI函數中的引數x；axis=1表示在列上操作
df5