一文弄懂Apply、Map和Aplymap三種函數的區別
在日常處理數據的過程中，會經常遇到這樣的情況，對一個DataFrame進行逐行、逐列或者逐元素的操作，很多小伙伴也知道需要用到apply、map或者applymap，但是具體什么情況下運用哪種方法或者說對這些方法了解不夠，用起來暈暈乎乎始終沒有很明白，希望這一篇文章能夠幫助有需要的小伙伴弄懂他們之間的區別，并且在遇到問題的時候能夠很清楚明白用哪個以及該怎樣使用。閑話少敘，我們正式開始吧。
首先，來個總結
- apply：應用在DataFrame的行或列中，也可以應用到單獨一個Series的每個元素中
- map：應用在單獨一個Series的每個元素中
- applymap：應用在DataFrame的每個元素中
apply
先從apply開始，當然最權威的說明還是要看官方文檔：
apply是沿DataFrame的軸應用功能，傳遞給函數的對象是Series對象，其索引為DataFrame的索引(axis = 0'')或DataFrame的列(axis = 1'')
當然比較常用的還是DataFrame.apply(),下邊我們通過例子來說明一下幫助理解.
首先有一個表：
apply應用到DataFrame中
如果我們求一下每一列或者每一列的極差，注意axis參數的設置，一般默認為0，即求每一列的極值
apply的參數可以直接接收現成的函數，也可以接收自定義函數，比如自定義的匿名函數：
通過對軸信息的設置，也可以求每一行的極差：
需要注意的是結果的索引，能夠很明顯的告訴大家現在求的是行極差還是列極差，如果是行極差，索引是行標簽，如果是列極差，索引是列名。
另外，對整個DataFrame運用apply的時候，要保證所有的字段都是符合作為參數的函數要求才可以，比如在列子中求極值得保證所有字段都是數值型才行，如果整個DataFrame不能滿足要求，可以把符合要求的字段切出來再應用apply。
如果有需要，也可以把求的結果添加到原表當中。
apply應用到Series中
如這個例子，將A列的所有元素轉換數據類型，從整型轉換成浮點型：
總結一下，apply運用到整個DataFrame中可以執行整列或者整行的運算，運用到Series中，執行的是對每個元素的運算。
這個運算，map也可以實現。
map
首先，還是看下官方文檔是怎么說的：
- 根據輸入對應關系映射Series的值。
- 用于將Series中的每個值替換為另一個值，該值可以從函數dict或Series派生。
官方指定，map是應用于Seriesd 的，參數可以是函數也可以字典。
首先，還是要有一個表：
現在需要將性別轉換成0和1，女為0，男為1，這個時候千萬不要寫循環啊，map()可以輕松實現，先來試試函數的形式：
def gender(x): G = 1 if x == "男" else 0 return G
map的參數除了可以是參數，也可以是字典，這和apply對參數的要求不同：
applymap
最后來看一下applymap，還是先搬上官方文檔：
- 將函數應用于元素的數據框。
- 此方法應用一個函數，該函數接受并返回一個標量到DataFrame的每個元素。
簡單說，applymap是把函數應用到DataFrame中的每個元素上的，要和apply對整列或者整行進行的操作區分開啊，apply想要直接對每個元素進行操作，得單獨提取出Series才可以實現，不能直接再整個DataFrame上執行。下邊來看個例子。
還是開頭的那個表：
現在要把每個元素的數據類型都轉換成浮點型，applymap()就派上用場了：
最后再總結一下：
apply：
- 既可以用在DataFrame，也可以用到單獨的Series中
- 運用到DataFrame時，是用到了整行或者整列上，不是逐一運用到每個元素上
- 運用到Series時，作用到每個元素上
- 第一個參數只接收python原生函數或者numpy中的函數
map
- 只能運用到Series的每個元素上
- 參數可以是函數也可以是字典，還可以是序列
applymap
- 只能應用在DataFrame中，并且是作用在DataFrame的每個元素中
- 參數只接收可調用的函數
常用的用法呢就是前邊舉的例子中的那些了，希望這邊文章能幫助大家分清apply、map和applymap并能靈活運用它們。
