函数应用操作 (2) -- apply applymap

Pandas 轴向与单元格函数应用：apply()、applymap() 与 map() 全景对比精讲

小象实战讲义 · Python数据分析实战

在数据处理中，单列的 Series.map() 往往无法满足复杂的二维表格计算需求。例如：我们需要计算每一行商品的总金额与税费、找出每一列数值的最大最小跨度极差，或者对整个 DataFrame 的所有单元格统一去除前后空格。为此，Pandas 提供了更加强大、高维度的函数应用矩阵：DataFrame.apply() 与 DataFrame.applymap()。本节我们将系统讲解轴向函数应用、元素级全表格映射，以及 map、apply、applymap 三者的清晰适用边界。

💡 核心导读

• 三大函数应用 API 定位边界：
  • Series.map()：仅用于 Series，元素级映射；
  • DataFrame.apply()：用于 DataFrame 或 Series，**沿指定轴向（行或列）**应用聚合或转换函数；
  • DataFrame.applymap()（新版中亦写作 df.map()）：用于 DataFrame，对全表每一个单元格执行元素级变换。
• DataFrame.apply() 的轴向精髓：axis=0（沿列纵向计算）、axis=1（沿行横向计算）。
• 结合 Lambda 表达式与复杂业务函数的高阶技巧。

1. DataFrame.apply() 轴向计算深度实战

apply() 默认沿 axis=0（按列折叠）处理每一列的 Series；传入 axis=1（按行折叠）时，函数会接收每一行的 Series 进行横向多字段交叉计算：

┌─────────────────────────────────────────────────────────────┐
│                 DataFrame.apply() 轴向应用模型              │
├─────────────────────────────────────────────────────────────┤
│ 1. axis=0 (按列统计): 函数接收整列 Series (如求极差 max-min) │
│ 2. axis=1 (按行计算): 函数接收整行 Series (如计算单价*数量)  │
└─────────────────────────────────────────────────────────────┘

import pandas as pd
import numpy as np

# 创建某电商商品销售明细表
df_sales = pd.DataFrame({
    "product": ["手机", "平板", "耳机", "手表"],
    "unit_price": [4999.0, 2899.0, 799.0, 1599.0],
    "quantity": [10, 15, 50, 20],
    "discount_rate": [0.9, 0.85, 0.95, 0.8]
})

print("=== 1. 原始销售明细表 ===")
print(df_sales)

# 1. axis=0 应用：计算各数值列的极差 (Max - Min)
numeric_cols = ["unit_price", "quantity"]
col_ranges = df_sales[numeric_cols].apply(lambda col: col.max() - col.min(), axis=0)
print("\n=== 2. 按列计算极差 (axis=0) ===")
print(col_ranges)

# 2. axis=1 应用：多列交叉计算实际应收总金额 = 单价 * 数量 * 折扣率
df_sales["total_revenue"] = df_sales.apply(
    lambda row: row["unit_price"] * row["quantity"] * row["discount_rate"],
    axis=1
)

print("\n=== 3. 按行计算实收金额 (axis=1) ===")
print(df_sales[["product", "unit_price", "quantity", "discount_rate", "total_revenue"]])

2. DataFrame.applymap() 全表格元素级格式化

applymap()（新版本推荐 map()）会对表格中的每一个单元格分别执行指定的映射逻辑。

# 创建包含测量数据的浮点矩阵
df_measurements = pd.DataFrame({
    "Sensor_A": [12.3456, 45.6789, 23.4567],
    "Sensor_B": [98.7654, 34.5678, 12.8901]
}, index=["T1", "T2", "T3"])

print("=== 4. 原始高精度传感器矩阵 ===")
print(df_measurements)

# 使用 applymap 将所有浮点数统一格式化为保留 2 位小数的百分数字符串
df_formatted = df_measurements.applymap(lambda x: f"{x:.2f}%")
print("\n=== 5. 使用 applymap 全表格式化 ===")
print(df_formatted)

📝 动手练一练

1. 概念辨析题：请用一句话总结 map()、apply() 与 applymap() 的核心适用场景。

   👉 点击查看参考答案

   参考答案：

   • map()：用于单个 Series 的元素级值替换与映射；
   • apply()：用于 DataFrame/Series 沿行（axis=1）或沿列（axis=0）的轴向批量计算；
   • applymap()：用于 DataFrame 整个二维表格所有单元格的逐元素变换。

2. 编程练习：给定 DataFrame df = pd.DataFrame({'a': [1, 2, 3], 'b': [4, 5, 6]})，请使用 apply() 沿 axis=1 新增一列 'sum_ab' 表示每行的 a 与 b 之和。

   👉 点击查看参考答案

   参考答案：

   import pandas as pd
   df = pd.DataFrame({'a': [1, 2, 3], 'b': [4, 5, 6]})
   df['sum_ab'] = df.apply(lambda row: row['a'] + row['b'], axis=1)
   print(df)

本章小结

• 深入掌握了 apply() 在 axis=0（列聚合）与 axis=1（行交叉计算）的核心机制；
• 掌握了 applymap() 对二维表格全量单元格进行批量规整与格式化的方法；
• 彻底厘清了 map、apply、applymap 三者的选择与工程边界。

📋 行动清单

• 在本地执行示例代码，观察控制台输出并记录关键指标。
• 做好准备，进入下一小节学习《Pandas 文件读写操作：CSV、Excel 与参数配置》！

—— 小象教研组