pandas map()用法

最新推荐文章于 2025-07-16 11:07:23 发布

sparksnail

最新推荐文章于 2025-07-16 11:07:23 发布

阅读量3.3w

点赞数 18

CC 4.0 BY-SA版权

分类专栏： Python

本文链接：https://blog.youkuaiyun.com/y12345678904/article/details/72385656

Python 专栏收录该内容

11 篇文章

订阅专栏

map()函数可以用于Series对象或DataFrame对象的一列，接收函数作为或字典对象作为参数，返回经过函数或字典映射处理后的值。

例：

frame = pd.DataFrame({'item':['ball', 'mug', 'pen', 'pencil', 'ashtray'],
                      'price':[1, 2, 3, 4, 5]})
print(frame)
frame.price = frame.price.map(lambda x: x + 1)
print(frame)

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

sparksnail

关注关注

18
点赞
踩
32

收藏

觉得还不错? 一键收藏
2
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

pandas数据处理之数据转换(映射map、替换replace、重命名rename)

南七小僧的学海无涯

06-25

543

我们在数据处理的过程中经常碰到需要对数据进行转换的工作，比如将原来数据里的字典值根据字典转义成有意义的说明，将某些成其他的数据，将空值转换成其他值，将数据字段名进行重命名等。pandas作为数据处理分析的利器当然为上述的这些数据转换提供了便捷的方法。我们可以利用pandas提供的映射、替换、重命名等操作方便的进行相应的数据转换操作。本文通过实例重点介绍pandas常用的数据转换工具映射map()、替换replace()、重命名rename()

Pandas系列学习教程——16 pandas数据转换函数map、apply、applymap

lzylzy66的博客

03-14

1135

随着人工智能的不断发展，数据分析这门技术也越来越重要，很多人都开启了学习数据分析，本文就介绍了pandas学习的基础内容。本章简单介绍了pandas数据转换函数map、apply、applymap，详细请看下文。

2 条评论您还未登录，请先登录后发表或查看评论

Pandas笔记——map()

ForHHeart的博客

06-09

798

map()只作用于Series，如果数据没有对应替换值，则返回空值（NaN)一、代码框架二、代码说明下面是对伪代码的解释说明三、举个栗子

Pandas数据分析基础—pandas自带函数map()/apply()/applymap()

sodaloveer的博客

08-31

7143

在进行数据处理时，经常会对一个DataFrame展开逐行、逐列、逐元素的操作，对应这些操作，常常使用Pandas中的map、apply和applymap三个函数进行处理。本文主要讲这三个函数在series、dataframe数据结构下应用情况及三个函数的区别。

DataFrame 的 replace 和 map 的异同

热门推荐

诸葛老刘的博客

08-07

4万+

基础以下操作基于python 3.6 windows 10 环境下通过将通过实例来演示三者的区别 toward_dict = {1: '东', 2: '南', 3: '西', 4: '北'} df = pd.DataFrame({'house' : list('AABCEFG'), 'price' : [100, 90, '', 50, 120, 150, 200],'toward' ...

pandas使用函数批量处理数据(map、apply、applymap)

01-19

Pandas内置了一个可以对DataFrame批量进行函数处理的工具：map、apply和applymap。提示：为方便快捷地解决问题，本文仅介绍函数的主要用法，并非全面介绍一、pandas.Series.map()是什么？把Series中的值进行逐一...

对pandas中Series的map函数详解

09-20

本篇文章将深入解析pandas中Series的map函数，帮助读者理解和掌握其使用方法。首先，Series的map函数主要功能是将一个函数应用于Series中的每一个元素，从而实现数据的转化或处理。这个函数可以是一个Python内置...

pandas map函数

hch977的博客

05-14

1546

pandas map函数对于某一个series（某一列）可以按照dict 对其值进行映射，返回相同长度的series print(frame["6"]) dict={1:"1档",2:"2档",3:"3档",4:"4档"} print(frame["6"].map(dict))

【Pandas】深入解析Pandas中的统计汇总函数`map()`

qq_38614074的博客

06-30

744

函数是Pandas中Series对象的一个方法，它接受一个函数、字典或其他映射关系作为参数，并将其应用于Series的每一个元素上。这时，我们可以使用字典进行映射，并将结果存储在新的列中。函数允许我们将函数、字典或其他映射关系应用于Series或DataFrame的某一列，实现数据的快速转换和映射。函数就是一个非常实用的工具，它允许我们将函数、字典或其他映射关系应用于Series或DataFrame的某一列，实现数据的快速转换和映射。例如，假设我们想要将年龄列中的每个值都平方，以表示每个人的年龄平方。

Pandas中map(), apply(), applymap()用法总结

Fantine_Deng的博客

04-12

1981

这是一篇最基础的Pandas用法总结，也方便自己日后进行复习与查询。这一次我们来总结一下Pandas中的map类函数。 Python中自带的map()函数先从Python中自带的map()函数说起。简单来说，map函数的作用是，针对一个列表（实际上为一个或多个可迭代的序列，这里以一个列表为例），将一个函数作用在列表上的每一个元素。以经典的计算数的平方为例： def square(x): ...

pandas学习map函数

qq_29983883的博客

04-28

1360

pandas对象中的map函数作为映射，但这种映射不会影响原对象的值，当arg是字典时，Series中不在字典中的值（作为键）将转换为NaN。 >>> s = pd.Series(['cat', 'dog', np.nan, 'rabbit']) >>> s 0 cat 1 dog 2 NaN 3 rabbit dtype: object >>> s.map({'cat': 'kitten', 'dog': '

Pandas进阶--map映射，分组聚合和透视pivot_table详解

景天科技苑

01-31

2009

映射就是指给一组数据中的每一个元素绑定一个固定的数据。给Series中的一组数据提供另外一种表现方式，或者说给其绑定一组指定的标签或字符串透视表是一种可以对数据动态排布并且分类汇总的表格格式。或许大多数人都在Excel使用过数据透视表，也体会到它的强大功能，而在pandas中它被称作pivot_table。

pandas-map

qq_27833723的博客

02-10

510

pandas-map

Pandas教程 | 数据处理三板斧——map、apply、applymap详解

chenzhjlf的专栏

03-19

4878

Pandas map、apply、applymap

pandas 使用map及apply引用函数

cuisidong1997的博客

10-30

881

Result = map(货币数值转换, 资金列表)Industry_category = {‘农、林、牧、渔业’:‘A’,‘批发和零售业’:‘F’,‘租赁和商务服务业’:‘L’,‘文化、体育和娱乐业’:‘R’}Industry # 查看处理后的结果以上是使用applymap()全局应用自定义函数的示范，如果你想让代码更简洁，也可以改用匿名函数，代码如下。import re # 导入正则表达式可以看到经过处理后，表中所有的数据值中末尾的“.0”都被清洗掉。

pandas的map函数的用法

05-03

### Pandas 中 `map` 函数的具体用法 #### 1. **基本概念** Pandas 的 `map` 函数用于将 Series 或 DataFrame 列中的每个元素替换为其对应的映射值。它通常接受一个字典或函数作为输入参数，返回一个新的 Series，而不会修改原始数据结构[^2]。 --- #### 2. **使用字典进行映射** 当传入一个字典时，`map` 将尝试匹配 Series 中的值与字典的键。如果某个值未找到对应键，则会将其设置为 `NaN`（除非指定了其他默认行为）。例如： ```python import pandas as pd s = pd.Series(['cat', 'dog', None, 'rabbit']) mapping_dict = {'cat': 'kitten', 'dog': 'puppy'} result = s.map(mapping_dict) print(result) ``` 输出结果： ``` 0 kitten 1 puppy 2 NaN 3 NaN dtype: object ``` 这里 `'cat'` 和 `'dog'` 被成功映射到 `'kitten'` 和 `'puppy'`，而缺失值 (`None`) 和未定义的 `'rabbit'` 都被设为了 `NaN`[^2]。 --- #### 3. **使用自定义函数进行映射** 可以传递一个函数给 `map` 方法，该函数会对 Series 中的每一个元素单独调用。例如： ```python def custom_map(x): if isinstance(x, str): return x.upper() return x df = pd.DataFrame({ 'A': ['a', 'b', 'c', 'd'], 'B': ['e', 'f', 'g', 'h'] }) df_mapped = df.applymap(custom_map) # applymap 是对整个 DataFrame 应用 map 功能的方式之一 print(df_mapped) ``` 输出结果： ``` A B 0 a e 1 b f 2 c g 3 d h ``` 注意，在此例子中我们实际上也可以直接对单列应用 `map` 来达到同样的效果[^1]。 --- #### 4. **处理 NaN 值** 可以通过指定参数 `na_action='ignore'` 来忽略掉那些原本会被转化为 `NaN` 的情况。比如下面的例子展示了如何跳过非字符串类型的项而不产生额外的 `NaN`: ```python s = pd.Series([1, 2, float('nan'), 4]) # 不带 na_action 参数的情况 print(s.map(lambda x: x * 2)) # 带有 na_action='ignore' print(s.map(lambda x: x * 2, na_action='ignore')) ``` 前者会产生一些不必要的警告或者错误提示；后者则更加健壮可靠[^5]。 --- #### 5. **实际应用场景举例** 假设有一个员工表，其中包含他们的 ID、姓名以及所属的一级和二级部门编号。现在希望通过预定义好的名称对照关系来显示更直观的信息： ```python data = { 'ID': [1000, 1001, 1002, 1003], 'Name': ['Jerry', 'Sal', 'Buck', 'Perry'], 'SecondaryDeptCode': ['BR1', 'BR2', 'BR3', 'BR4'], 'PrimaryDeptCode': ['BR1', 'BR1', 'BR2', 'BR1'] } dept_mapping = { 'BR1': 'Department One', 'BR2': 'Department Two', 'BR3': 'Department Three', 'BR4': 'Department Four' } df = pd.DataFrame(data) df['PrimaryDeptName'] = df['PrimaryDeptCode'].map(dept_mapping) df['SecondaryDeptName'] = df['SecondaryDeptCode'].map(dept_mapping) print(df[['ID', 'Name', 'PrimaryDeptName', 'SecondaryDeptName']]) ``` 最终得到的结果将是每名雇员连同他们所在的主要次级单位全称列表[^3]。 --- ### 总结 - 如果需要简单地替换某些固定值，推荐使用字典型参。 - 若要执行复杂变换操作，则应考虑提供适当逻辑封装后的回调函数形式。 - 特殊情况下记得合理运用 `na_action` 控制异常状况下的表现。