https://www.cnblogs.com/oklizz/p/11804220.html

 

它们的区别在于应用的对象不同。

1、map（）

map() 是一个Series的函数，DataFrame结构中没有map()。map()将一个自定义函数应用于Series结构中的每个元素(elements)。

例子：

df = pd.DataFrame({'key1' : ['a', 'a', 'b', 'b', 'a'],
                   'key2' : ['one', 'two', 'one', 'two', 'one'],
                   'data1' : np.arange(5),
                   'data2' : np.arange(5,10)})
df

 我们现在用map来对列data1改成保留小数点后三位:

df['data1'] = df['data1'].map(lambda x : "%.3f"%x) 
df

你也可以用map把key1的a改成c，b改成d

df['key1'] = df['key1'].map({'a':'c',"b":"d"})
df

---

2、apply（）

apply()将一个函数作用于DataFrame中的每个行或者列

例子： 我们现在用apply来对列data1，data2进行相加

#axis =1 ,作用于行. 
#axis =0,作用于列，默认为0
df['total'] = df[['data1','data2']].apply(lambda x : x.sum(),axis=1 ) 
df

df.loc['total'] = df[['data1','data2']].apply(lambda x : x.sum(),axis=0 )
df

---

3、applymap（）

将函数做用于DataFrame中的所有元素(elements)

例子： 例如，在所有元素前面加个字符A

def  addA(x):
    return "A" + str(x )
df.applymap(addA)