python - Pandas Series.apply() 和 Series.map() 有什么区别？

Question

这个问题在这里已经有了答案:





Difference between map, applymap and apply methods in Pandas

(11 个回答)


去年关闭。




Series.map() :

Map values of Series using input correspondence (which can be a dict, Series, or function)

Series.apply()

Invoke function on values of Series. Can be ufunc (a NumPy function that applies to the entire Series) or a Python function that only works on single values

apply()似乎它几乎可以做所有事情 map()确实如此，在按原样应用矢量化操作的同时矢量化标量函数。同时map()允许对空值处理进行一定程度的控制。除了与 Python 的 apply() 的历史类比之外和 map()功能，是否有理由在一般用途中更喜欢一种？为什么不把这些功能结合起来呢？

Answer 1

区别很微妙:pandas.Series.map将用您传递给 map 的值替换 Series 的值.pandas.Series.apply将申请 功能 (可能带有参数)到系列的值。
区别在于您可以传递给方法的内容

两者 map和 apply可以接收一个函数:

s = pd.Series([1, 2, 3, 4])

def square(x):
     return x**2

s.map(square) 

0    1
1    2
2    3
3    4
dtype: int64

s.apply(square) 

0    1
1    2
2    3
3    4
dtype: int64

但是，您传入的函数 map不能有多个参数(它会输出一个 ValueError ):

def power(x, p):
    return x**p

s.apply(power, p=3)

0     1
1     8
2    27
3    64
dtype: int64


s.map(power,3)
---------------------------------------------------------------------------
ValueError  

map可以接收字典(甚至 pd.Series 在这种情况下它将使用索引作为键)而 apply不能(它会输出 TypeError )

dic = {1: 5, 2: 4}

s.map(dic)

0    5.0
1    4.0
2    NaN
3    NaN
dtype: float64

s.apply(dic)
---------------------------------------------------------------------------
TypeError  


s.map(s)

0    2.0
1    3.0
2    4.0
3    NaN
dtype: float64


s.apply(s)

---------------------------------------------------------------------------
TypeError