來(lái)源：AI入門(mén)學(xué)習(xí)

作者：小伍哥

pandas中的map類似于Python內(nèi)建的map()方法，pandas中的map()方法將函數(shù)、字典索引或是一些需要接受單個(gè)輸入值的特別的對(duì)象與對(duì)應(yīng)的單個(gè)列的每一個(gè)元素建立聯(lián)系并串行得到結(jié)果。

這里我們想要得到gender列的F、M轉(zhuǎn)換為女性、男性的新列，可以有以下幾種實(shí)現(xiàn)方式先構(gòu)造一個(gè)數(shù)據(jù)集

map()函數(shù)可以用于Series對(duì)象或DataFrame對(duì)象的一列，接收函數(shù)作為或字典對(duì)象作為參數(shù)，返回經(jīng)過(guò)函數(shù)或字典映射處理后的值。

用法：Series.map(arg, na_action=None)

參數(shù)：

arg : function, dict, or Series

Mapping correspondence.

na_action : {None, ‘ignore’}, default None

If ‘ignore’, propagate NaN values, without passing them to the mapping

correspondence.

返回：Pandas Series with same as index as caller

官方：https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.map.html

首先構(gòu)建一個(gè)數(shù)據(jù)集，下面進(jìn)行案例應(yīng)用

data = pd.DataFrame( {"name":['Jack', 'Alice', 'Lily', 'Mshis', 'Gdli', 'Agosh', 'Filu', 'Mack', 'Lucy', 'Pony'], "gender":['F', 'M', 'F', 'F', 'M', 'F', 'M', 'M', 'F', 'F'], "age":[25, 34, 49, 42, 28, 23, 45, 21, 34, 29]} ) data name gender age 0 Jack F 25 1 Alice M 34 2 Lily F 49 3 Mshis F 42 4 Gdli M 28 5 Agosh F 23 6 Filu M 45 7 Mack M 21 8 Lucy F 34 9 Pony F 29

1 字典映射

這里我們編寫(xiě)F、M與女性、男性之間一一映射的字典，再利用map()方法來(lái)得到映射列：

#定義F->女性，M->男性的映射字典 gender2xb = {'F': '女性', 'M': '男性'}  #利用map()方法得到對(duì)應(yīng)gender列的映射列 data.gender.map(gender2xb) 0 女性 1 男性 2 女性 3 女性 4 男性 5 女性 6 男性 7 男性 8 女性 9 女性

2 lambda函數(shù)

這里我們向map()中傳入lambda函數(shù)來(lái)實(shí)現(xiàn)所需功能：

#因?yàn)橐呀?jīng)知道數(shù)據(jù)gender列性別中只有F和M所以編寫(xiě)如下lambda函數(shù)

data.gender.map(lambda x:'女性' if x == 'F' else '男性') 0 女性 1 男性 2 女性 3 女性 4 男性 5 女性 6 男性 7 男性 8 女性 9 女性 #年齡的平方 data.age.map(lambda x: x**2) 0 625 1 1156 2 2401 3 1764 4 784 5 529 6 2025 7 441 8 1156 9 84

3 常規(guī)函數(shù)

map函數(shù)，也可以傳入通過(guò)def定義的常規(guī)函數(shù)，看看下面的案例

#性別轉(zhuǎn)換 def gender_to_xb(x): return '女性' if x == 'F' else '男性' data.gender.map(gender_to_xb) 0 女性 1 男性 2 女性 3 女性 4 男性 5 女性 6 男性 7 男性 8 女性 9 女性

4 特殊對(duì)象

map()可以傳入的內(nèi)容有時(shí)候可以很特殊，如下面的例子：一些接收單個(gè)輸入值且有輸出的對(duì)象也可以用map()方法來(lái)處理：

data.gender.map("This kid's gender is {}".format) 0 This kid's gender is F 1 This kid's gender is M 2 This kid's gender is F 3 This kid's gender is F 4 This kid's gender is M 5 This kid's gender is F 6 This kid's gender is M 7 This kid's gender is M 8 This kid's gender is F 9 This kid's gender is F

map()中的參數(shù)na_action，類似R中的na.action，取值為None或ingore，用于控制遇到缺失值的處理方式，設(shè)置為ingore時(shí)串行運(yùn)算過(guò)程中將忽略Nan值原樣返回。

s = pd.Series(['cat', 'dog', np.nan, 'rabbit']) s 0 cat 1 dog 2 NaN 3 rabbit

na_action為默認(rèn)值的情況

s.map('I am a {}'.format) 0 I am a cat 1 I am a dog 2 I am a nan 3 I am a rabbit

na_action為ignore的情況

s.map('I am a {}'.format, na_action='ignore')0 I am a cat1 I am a dog2 NaN3 I am a rabbit