详解Pandas的三大利器(map,apply,applymap)

Mason

发布时间：2026-10-15 | 3人浏览过

原创

本文深入解析Pandas中处理数据的三大核心函数：map、apply和applymap。通过模拟数据演示，详细对比三者在Series与DataFrame上的应用差异，涵盖性别映射、数值运算及BMI计算等实际案例，帮助开发者高效完成数据清洗与转换任务。

在实际的数据处理工作中，我们常需对数据框中的单行、多行（列同理）乃至整个数据集执行统一的转换逻辑。例如，将“sex”字段中的“男”替换为1，“女”替换为0，这类批量操作是数据预处理中的常见需求。

面对此类需求，初学者往往首先想到使用for循环。虽然这种方式直观且易于理解，但其运行效率较低，尤其在处理大规模数据时性能瓶颈明显。为此，本文重点介绍Pandas中高效解决此类需求的三大工具：map、apply和applymap。

map
apply
applymap

模拟数据

为了清晰展示这三个函数的具体用法，我们构建一个包含多种数据类型的模拟数据集。通过该示例，读者可以掌握如何生成各类模拟数据。具体数据结构如下：

import pandas as pd
import numpy as np

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

# 好好学习如何生成模拟数据：非常棒的例子
# 学会使用random模块中的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()函数的核心作用是对指定序列进行映射操作。

该函数接收两个主要参数：function和iterable。它会遍历序列中的每个元素，调用提供的function函数，并返回一个包含每次调用返回值的新列表。

map(function, iterable)

实际数据

以实际数据为例，我们需要将“gender”列中的“男”转换为1，“女”转换为0。

# 方式1：通过字典映射实现
dic = {"男":1, "女":0}  # 通过字典映射
df1 = df.copy()   # 副本，不破坏原来的数据df
df1["gender"] = df1["gender"].map(dic)
df1

# 方式2：通过函数实现
def map_gender(x):
    gender = 1 if x == "男" else 0
    return gender

df2 = df.copy()
# 将df["gender"]这个S型数据中的每个数值传进去
df2["gender"] = df2["gender"].map(map_gender)
df2

2、apply

apply方法的作用机制与map类似，但其优势在于能够接收功能更复杂的函数，因此可视为map的高级版本。

Pandas的apply()函数可作用于Series或整个DataFrame。其工作原理是自动遍历Series或DataFrame中的每个元素，并对每个元素执行指定的函数操作。

在DataFrame的多数方法中，存在一个axis参数，用于控制操作沿0轴（列columns）还是1轴（行row）进行。其中，axis=0表示对列执行操作，axis=1表示对行执行操作。

demo

基于上述数据，我们将“age”字段的值统一减去3（即加上-3）。

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

df4 = df.copy()
# df4["age"]当做第一个值传给apply_age函数，args是第二个参数
df4["age"] = df4["age"].apply(apply_age,args=(-3,))

计算BMI指数

# 实现计算BMI指数：体重/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现在就相当于BMI函数中的参数x；axis=1表示在列上操作
df5