几个数据转换函数的对比

• map：Pandas 2.1.0 之前：map 只能用于 Series，用于实现 每个值 -> 值 的映射。Pandas 2.1.0 及以后：map 也可以用于 DataFrame，用于对 DataFrame 的 每个元素 进行操作，这取代了之前 applymap 的功能。
• apply：用于Series实现每个值的处理，用于DataFrame实现某个轴的Series的处理（默认按列处理）。
• applymap：只能用于DataFrame，用于处理该DataFrame的每个元素。从 Pandas 2.1.0 开始被废弃。官方建议使用 DataFrame.map 替代 applymap。

map用于Series值的转换

语法说明

Series.map(arg, na_action=None)

• 将 Series 中的值根据输入的映射或函数进行转换。
• 用于将 Series 中的每个值替换为另一个值，这些值可以来自函数、字典或另一个 Series。

输入参数：

• arg：可以是函数、字典、或者 另外一个Series。

返回值：返回值是一个 Series 对象，其索引与调用该方法的原始 Series 相同。

示例

引入数据：

import pandas as pd

stock_df = pd.read_excel('./data/几家公司几天的股票.xlsx')

查看数据：

看看有哪些公司：

公司股票代码到公司名称的映射：

# 公司股票代码到公司名称的映射，注意，用的是小写
company_names_dict = {
    'jd': '京东',
    'bidu': '百度',
    'baba': '阿里巴巴',
    'tcehy': '腾讯'
}

Series.map(传入字典)

stock_df['公司中文名称1'] = stock_df['公司'].str.lower().map(company_names_dict)

查看结果：

Series.map(传入函数)

stock_df['公司中文名称2'] = stock_df['公司'].map(lambda x : company_names_dict[x.lower()])

查看结果：

apply函数用于Series和DataFrame的转换

Series.apply

Series.apply(func, convert_dtype=<no_default>, args=(), *, by_row='compat', **kwargs)

当在Series上调用apply时，传入func的参数是每个值。

当前的DataFrame：

stock_df['公司中文名称3'] = stock_df['公司'].apply(lambda x : company_names_dict[x.lower()])

查看此时的DataFrame:

DataFrame.apply

DataFrame.apply(func, axis=0, raw=False, result_type=None, args=(), by_row='compat', engine='python', engine_kwargs=None, **kwargs)

当在DataFrame上调用apply时，传入func的参数是对应轴的Series。

下面在DataFrame上执行apply操作：

stock_df['公司中文名称4'] = stock_df.apply(lambda x : company_names_dict[x['公司'].lower()], axis=1)

注意：
上面的代码，lambda x 的 x是一个Series，因为指定了axis=1，所以Series是跨列的（跨列的意思是传入了一行数据），key是列名，可以用x[‘公司’]获取。

查看执行后的结果：

map用于DataFrame所有值的转换

语法

DataFrame.map(func, na_action=None, **kwargs)

map方法将一个接受并返回标量的函数应用于 DataFrame 的每一个元素。

示例

先获取一个新的DataFrame：

sub_df = stock_df[['收盘', '开盘', '高', '低', '交易量']]

查看新的DataFrame：

将DataFrame中的每个数值都转换为整数:

sub_df.map(lambda x : int(x))

查看结果：