คุณสามารถบอกฉันได้เมื่อใดที่จะใช้วิธีการเวกเตอร์เหล่านี้กับตัวอย่างพื้นฐาน?

ฉันเห็นว่าmapเป็นSeriesวิธีการในขณะที่ส่วนที่เหลือเป็นDataFrameวิธีการ ฉันสับสนapplyและapplymapวิธีการต่าง ๆ ทำไมเรามีสองวิธีในการใช้ฟังก์ชั่นกับ DataFrame อีกครั้งตัวอย่างง่ายๆที่แสดงการใช้งานจะยอดเยี่ยม!

ส่งตรงจากPythonของ Wes McKinney สำหรับหนังสือData Analysis , pg. 132 (ฉันขอแนะนำหนังสือเล่มนี้):

การดำเนินการบ่อยครั้งอื่นคือการใช้ฟังก์ชันบนอาร์เรย์ 1D กับแต่ละคอลัมน์หรือแถว วิธีการใช้ DataFrame ทำสิ่งนี้ทุกประการ

In [116]: frame = DataFrame(np.random.randn(4, 3), columns=list('bde'), index=['Utah', 'Ohio', 'Texas', 'Oregon'])

In [117]: frame
Out[117]: 
               b         d         e
Utah   -0.029638  1.081563  1.280300
Ohio    0.647747  0.831136 -1.549481
Texas   0.513416 -0.884417  0.195343
Oregon -0.485454 -0.477388 -0.309548

In [118]: f = lambda x: x.max() - x.min()

In [119]: frame.apply(f)
Out[119]: 
b    1.133201
d    1.965980
e    2.829781
dtype: float64

สถิติอาร์เรย์ที่พบมากที่สุดจำนวนมาก (เช่นผลรวมและค่าเฉลี่ย) เป็นวิธี DataFrame ดังนั้นจึงไม่จำเป็นต้องใช้การใช้

สามารถใช้ฟังก์ชั่น Python ที่ชาญฉลาดขององค์ประกอบได้เช่นกัน สมมติว่าคุณต้องการคำนวณสตริงที่จัดรูปแบบจากค่าทศนิยมแต่ละจุดในเฟรม คุณสามารถทำได้ด้วย Applymap:

In [120]: format = lambda x: '%.2f' % x

In [121]: frame.applymap(format)
Out[121]: 
            b      d      e
Utah    -0.03   1.08   1.28
Ohio     0.65   0.83  -1.55
Texas    0.51  -0.88   0.20
Oregon  -0.49  -0.48  -0.31

เหตุผลสำหรับชื่อ Applymap คือ Series มีวิธีการแผนที่สำหรับการใช้ฟังก์ชั่นองค์ประกอบที่ฉลาด:

In [122]: frame['e'].map(format)
Out[122]: 
Utah       1.28
Ohio      -1.55
Texas      0.20
Oregon    -0.31
Name: e, dtype: object

สรุปรวมapplyทำงานบนพื้นฐานแถว / คอลัมน์ของ DataFrame applymapทำงานองค์ประกอบที่ชาญฉลาดใน DataFrame และmapทำงานองค์ประกอบที่ฉลาดในซีรีส์

เปรียบเทียบmap, applymapและ: เรื่องบริบทapply

ความแตกต่างที่สำคัญประการแรก: ความหมาย

• map ถูกกำหนดในซีรี่ส์เท่านั้น
• applymap ถูกกำหนดไว้ใน DataFrames เท่านั้น
• apply ถูกกำหนดบนทั้งสอง

ความแตกต่างที่สำคัญที่สอง: ARPUMG INPUT

• mapยอมรับdicts Series, หรือ callable
• applymapและapplyยอมรับ callables เท่านั้น

ความแตกต่างหลักที่สาม: พฤติกรรม

• map เป็นองค์ประกอบสำหรับซีรีย์
• applymap เป็นองค์ประกอบสำหรับ DataFrames
• applyยังทำงานได้ตามองค์ประกอบ แต่เหมาะสมกับการดำเนินงานและการรวมที่ซับซ้อนมากขึ้น พฤติกรรมและค่าตอบแทนขึ้นอยู่กับฟังก์ชัน

ความแตกต่างหลักที่สี่ (สำคัญที่สุด): ใช้กรณี

• mapมีไว้สำหรับการจับคู่ค่าจากโดเมนหนึ่งไปอีกโดเมนหนึ่งดังนั้นจึงเหมาะสำหรับประสิทธิภาพ (เช่นdf['A'].map({1:'a', 2:'b', 3:'c'}))
• applymapเป็นสิ่งที่ดีสำหรับการแปลงแบบองค์ประกอบตามแนวขวางในหลายแถว / คอลัมน์ (เช่นdf[['A', 'B', 'C']].applymap(str.strip))
• applyใช้สำหรับฟังก์ชั่นใด ๆ ที่ไม่สามารถใช้เวกเตอร์ได้ (เช่นdf['sentences'].apply(nltk.sent_tokenize))

สรุป

เชิงอรรถ

1. mapเมื่อผ่านพจนานุกรม / ซีรีส์จะแมปองค์ประกอบตามปุ่มในพจนานุกรม / ซีรีย์นั้น ค่าที่หายไปจะถูกบันทึกเป็น NaN ในเอาต์พุต

2. applymapในเวอร์ชันล่าสุดได้รับการปรับให้เหมาะกับการใช้งานบางอย่าง คุณจะพบว่าapplymapเร็วกว่าapplyในบางกรณีเล็กน้อย ข้อเสนอแนะของฉันคือการทดสอบพวกเขาทั้งสองและใช้สิ่งที่ดีกว่า

3. mapได้รับการปรับให้เหมาะสมสำหรับการแมปและการเปลี่ยนแปลงแบบวน การดำเนินการที่เกี่ยวข้องกับพจนานุกรมหรือซีรี่ส์จะทำให้แพนด้าสามารถใช้โค้ดพา ธ ที่เร็วขึ้นเพื่อประสิทธิภาพที่ดียิ่งขึ้น

4. Series.applyส่งคืนสเกลาร์สำหรับการดำเนินการรวม Series เป็นอย่างอื่น DataFrame.applyในทำนองเดียวกันสำหรับ โปรดทราบว่าapplyยังมี fastpaths เมื่อเรียกใช้ด้วยฟังก์ชัน NumPy บางอย่างเช่นmean,, sumและอื่น ๆ

มีข้อมูลที่ดีในคำตอบเหล่านี้ แต่ฉันเพิ่มของฉันเองเพื่อสรุปอย่างชัดเจนว่าวิธีใดทำงานกับอาเรย์ที่ชาญฉลาดเมื่อเทียบกับองค์ประกอบที่ชาญฉลาด jeremiahbuddha ส่วนใหญ่ทำสิ่งนี้ แต่ไม่ได้พูดถึง Series.apply ฉันไม่มีตัวแทนที่จะแสดงความคิดเห็น

• DataFrame.apply ดำเนินการกับแถวหรือคอลัมน์ทั้งหมดในเวลาเดียวกัน

• DataFrame.applymap, Series.applyและSeries.mapดำเนินการกับองค์ประกอบหนึ่งอย่างในเวลาเดียวกัน

มีการทับซ้อนกันมากมายระหว่างความสามารถของSeries.applyและSeries.mapซึ่งหมายความว่าจะใช้งานได้ในกรณีส่วนใหญ่ พวกเขามีความแตกต่างเล็กน้อยบางอย่างซึ่งบางส่วนถูกกล่าวถึงในคำตอบของ osa

เพิ่มไปยังคำตอบอื่น ๆ ในSeriesนอกจากนี้ยังมีแผนที่และนำไปใช้นำไปใช้

สมัครสามารถทำให้ DataFrame ออกจากชุด ; อย่างไรก็ตามแผนที่จะใส่ซีรี่ส์ในทุกเซลล์ของซีรี่ส์อื่นซึ่งอาจไม่ใช่สิ่งที่คุณต้องการ

In [40]: p=pd.Series([1,2,3])
In [41]: p
Out[31]:
0    1
1    2
2    3
dtype: int64

In [42]: p.apply(lambda x: pd.Series([x, x]))
Out[42]: 
   0  1
0  1  1
1  2  2
2  3  3

In [43]: p.map(lambda x: pd.Series([x, x]))
Out[43]: 
0    0    1
1    1
dtype: int64
1    0    2
1    2
dtype: int64
2    0    3
1    3
dtype: int64
dtype: object

นอกจากนี้ถ้าฉันมีฟังก์ชั่นที่มีผลข้างเคียงเช่น "เชื่อมต่อกับเว็บเซิร์ฟเวอร์" ฉันอาจใช้applyเพียงเพื่อความชัดเจน

series.apply(download_file_for_every_element) 

Mapสามารถใช้ไม่เพียง แต่ฟังก์ชั่น แต่ยังรวมถึงพจนานุกรมหรือซีรี่ส์อื่น สมมติว่าคุณต้องการที่จะจัดการกับพีชคณิต

เอา

1 2 3 4 5
2 1 4 5 3

กำลังสองของการเปลี่ยนรูปนี้คือ

1 2 3 4 5
1 2 5 3 4

mapคุณสามารถคำนวณได้โดยใช้ ไม่แน่ใจว่ามีการบันทึกแอปพลิเคชันด้วยตนเองหรือไม่ แต่ทำงาน0.15.1ได้

In [39]: p=pd.Series([1,0,3,4,2])

In [40]: p.map(p)
Out[40]: 
0    0
1    1
2    4
3    2
4    3
dtype: int64

@jeremiahbuddha กล่าวถึงว่าการใช้ผลงานในแถว / คอลัมน์ในขณะที่การประยุกต์ใช้การทำงานขององค์ประกอบที่ชาญฉลาด แต่ดูเหมือนว่าคุณยังสามารถใช้ใช้สำหรับการคำนวณองค์ประกอบที่ชาญฉลาด ....

    frame.apply(np.sqrt)
    Out[102]: 
                   b         d         e
    Utah         NaN  1.435159       NaN
    Ohio    1.098164  0.510594  0.729748
    Texas        NaN  0.456436  0.697337
    Oregon  0.359079       NaN       NaN

    frame.applymap(np.sqrt)
    Out[103]: 
                   b         d         e
    Utah         NaN  1.435159       NaN
    Ohio    1.098164  0.510594  0.729748
    Texas        NaN  0.456436  0.697337
    Oregon  0.359079       NaN       NaN

แค่อยากจะชี้ให้เห็นในขณะที่ฉันต่อสู้กับเรื่องนี้สักหน่อย

def f(x):
    if x < 0:
        x = 0
    elif x > 100000:
        x = 100000
    return x

df.applymap(f)
df.describe()

สิ่งนี้ไม่ได้แก้ไขดาตาเฟรมเองต้องได้รับการกำหนดใหม่

df = df.applymap(f)
df.describe()

คำอธิบายที่ง่ายที่สุดน่าจะเป็นความแตกต่างระหว่างการใช้และการประยุกต์ใช้:

ใช้นำคอลัมน์ทั้งหมดมาเป็นพารามิเตอร์แล้วกำหนดผลลัพธ์ให้กับคอลัมน์นี้

Applymapใช้ค่าของเซลล์ที่แยกต่างหากเป็นพารามิเตอร์และกำหนดผลลัพธ์กลับไปที่เซลล์นี้

NB ถ้าใช้ส่งคืนค่าเดียวคุณจะมีค่านี้แทนคอลัมน์หลังจากกำหนดและในที่สุดจะมีเพียงแถวแทนเมทริกซ์

ความเข้าใจของฉัน:

จากมุมมองฟังก์ชั่น:

ถ้าฟังก์ชันมีตัวแปรที่ต้องเปรียบเทียบภายในคอลัมน์ / แถว, applyการใช้งาน

lambda x: x.max()-x.mean()เช่น:

หากฟังก์ชั่นนี้จะใช้กับแต่ละองค์ประกอบ:

1> หากมีคอลัมน์ / แถวให้ใช้ apply

2> หากนำไปใช้กับทั้ง dataframe ให้ใช้ applymap

majority = lambda x : x > 17
df2['legal_drinker'] = df2['age'].apply(majority)

def times10(x):
  if type(x) is int:
    x *= 10 
  return x
df2.applymap(times10)

ตามคำตอบของcs95

• map ถูกกำหนดในซีรี่ส์เท่านั้น
• applymap ถูกกำหนดไว้ใน DataFrames เท่านั้น
• apply ถูกกำหนดบนทั้งสอง

ยกตัวอย่าง

In [3]: frame = pd.DataFrame(np.random.randn(4, 3), columns=list('bde'), index=['Utah', 'Ohio', 'Texas', 'Oregon'])

In [4]: frame
Out[4]:
            b         d         e
Utah    0.129885 -0.475957 -0.207679
Ohio   -2.978331 -1.015918  0.784675
Texas  -0.256689 -0.226366  2.262588
Oregon  2.605526  1.139105 -0.927518

In [5]: myformat=lambda x: f'{x:.2f}'

In [6]: frame.d.map(myformat)
Out[6]:
Utah      -0.48
Ohio      -1.02
Texas     -0.23
Oregon     1.14
Name: d, dtype: object

In [7]: frame.d.apply(myformat)
Out[7]:
Utah      -0.48
Ohio      -1.02
Texas     -0.23
Oregon     1.14
Name: d, dtype: object

In [8]: frame.applymap(myformat)
Out[8]:
            b      d      e
Utah     0.13  -0.48  -0.21
Ohio    -2.98  -1.02   0.78
Texas   -0.26  -0.23   2.26
Oregon   2.61   1.14  -0.93

In [9]: frame.apply(lambda x: x.apply(myformat))
Out[9]:
            b      d      e
Utah     0.13  -0.48  -0.21
Ohio    -2.98  -1.02   0.78
Texas   -0.26  -0.23   2.26
Oregon   2.61   1.14  -0.93


In [10]: myfunc=lambda x: x**2

In [11]: frame.applymap(myfunc)
Out[11]:
            b         d         e
Utah    0.016870  0.226535  0.043131
Ohio    8.870453  1.032089  0.615714
Texas   0.065889  0.051242  5.119305
Oregon  6.788766  1.297560  0.860289

In [12]: frame.apply(myfunc)
Out[12]:
            b         d         e
Utah    0.016870  0.226535  0.043131
Ohio    8.870453  1.032089  0.615714
Texas   0.065889  0.051242  5.119305
Oregon  6.788766  1.297560  0.860289

FOMO:

แสดงให้เห็นตัวอย่างต่อไปนี้applyและนำไปใช้applymapDataFrame

mapfunction เป็นสิ่งที่คุณใช้กับซีรี่ส์เท่านั้น คุณไม่สามารถใช้map กับ DataFrame

สิ่งที่ต้องจำคือ applyสามารถทำทุกอย่าง ได้applymapแต่applyมีตัวเลือกeXtra

ตัวเลือก X ปัจจัย ได้แก่ : axisและresult_typeที่result_typeทำงานเฉพาะเมื่อaxis=1(สำหรับคอลัมน์)

df = DataFrame(1, columns=list('abc'),
                  index=list('1234'))
print(df)

f = lambda x: np.log(x)
print(df.applymap(f)) # apply to the whole dataframe
print(np.log(df)) # applied to the whole dataframe
print(df.applymap(np.sum)) # reducing can be applied for rows only

# apply can take different options (vs. applymap cannot)
print(df.apply(f)) # same as applymap
print(df.apply(sum, axis=1))  # reducing example
print(df.apply(np.log, axis=1)) # cannot reduce
print(df.apply(lambda x: [1, 2, 3], axis=1, result_type='expand')) # expand result

ในฐานะ sidenote mapฟังก์ชันSeries ไม่ควรสับสนกับmapฟังก์ชันPython

คนแรกถูกนำไปใช้ในซีรีส์เพื่อแมปค่าและคนที่สองกับทุกรายการของ iterable

สุดท้ายอย่าสับสนกับ dataframe applyวิธีการด้วยapplyวิธีการgroupby