Pandas map：对股票代码与状态做映射

Pandas map：对股票代码与状态做映射

小象量化极客小册 · 华尔街量化分析先锋系列

Pandas 是量化交易员最核心的武器。本节你将通过 Series 和 DataFrame 深度处理时间序列行情数据，掌握 loc/iloc 定位筛选、缺失值与重复值清洗、以及最大回撤与年化波动率等核心指标统计计算。

小象量化极客小册 · 华尔街量化分析先锋系列 Pandas 是量化交易员最核心的武器。本节你将通过 Series 和 DataFrame 深度处理时间序列行情数据，掌握 loc/iloc 定位筛选、缺失值与重复值清洗、以及最大回撤与年化波动率等核心指标统计计算。

💡 核心导读

本节将深入讲解 Pandas 中 map() 方法的核心用法与实战技巧。通过学习，您将掌握：1）map() 方法的基本原理与适用场景；2）如何对 Series 数据执行元素级转换；3）结合字典和自定义函数实现复杂映射逻辑。重点培养数据清洗和特征工程中的映射转换能力。

基本概念

map() 是 Pandas Series 的专有方法，用于执行元素级的数据转换。与 apply() 不同，map() 专门针对单列数据操作，效率更高且语法更简洁。

核心特点：

• 输入：字典、函数或 Series
• 输出：新 Series
• 典型应用场景：值替换、数据标准化、分类编码

💡 概念小测：map 的适用范围

关于 Pandas 中 map() 方法的适用规则，以下哪个说法是正确的？

• map() 方法可以同时应用在 Series 和 DataFrame 对象上。
• map() 方法只适用于 Series 对象，它根据字典或函数逐个转换该列中的元素值。
• map() 只能接收自定义函数，无法接收字典映射。
• map() 运行速度非常慢，在量化多因子清洗中不推荐使用。

📝 选择题

💡 概念小测：map 的适用范围 关于 Pandas 中 map() 方法的适用规则，以下哪个说法是正确的？

• A. map() 方法可以同时应用在 Series 和 DataFrame 对象上。
• B. map() 方法只适用于 Series 对象，它根据字典或函数逐个转换该列中的元素值。
• C. map() 只能接收自定义函数，无法接收字典映射。
• D. map() 运行速度非常慢，在量化多因子清洗中不推荐使用。

答案：B（map() 方法只适用于 Series 对象，它根据字典或函数逐个转换该列中的元素值。）

操作指南

字典映射

import pandas as pd

data = pd.Series(['苹果', '香蕉', '橙子', '苹果'])
print("原始数据:")
print(data)

'''
0    苹果
1    香蕉
2    橙子
3    苹果
dtype: object
'''

fruit_code = {'苹果': 'A', '香蕉': 'B', '橙子': 'C'}

coded_data = data.map(fruit_code)
print("\n映射结果:")
print(coded_data)

'''
0    A
1    B
2    C
3    A
dtype: object
'''

函数映射

temps = pd.Series([36.5, 37.1, 38.2, 35.9])

def check_fever(temp):
    return '发热' if temp >= 37.3 else '正常'

health_status = temps.map(check_fever)
print("\n体温状态:")
print(health_status)

'''
0    正常
1    正常
2    发热
3    正常
dtype: object
'''

缺失值处理

incomplete_data = pd.Series(['苹果', '梨', '香蕉', None])

safe_mapping = incomplete_data.map(fruit_code, na_action='ignore')
print("\n安全映射结果:")
print(safe_mapping)

'''
0      A
1    NaN
2      B
3    NaN
dtype: object
'''

性能优化技巧

1. 预编译函数：对复杂逻辑优先使用 numpy.vectorize
2. 字典替代条件语句：比多重 if-else 效率更高
3. 链式操作：结合 astype() 等方法减少中间变量

import numpy as np

vector_func = np.vectorize(lambda x: x.upper() if pd.notnull(x) else x)
result = pd.Series(['a', 'b', None]).map(vector_func)

💡 代码填空：字典映射

补全代码，使用 map 方法将股票板块缩写快速转换为中文全称：

import pandas as pd

df = pd.DataFrame({'ticker': ['AAPL', 'GS'], 'sector_code': ['T', 'F']})
sector_map = {'T': '科技板块', 'F': '金融板块'}
df['sector_name'] = df['sector_code'].{blank}(sector_map)
print(df.loc[0, 'sector_name']) # 输出 科技板块

• apply
• map
• transform

✏️ 填空题

💡 代码填空：字典映射 补全代码，使用 map 方法将股票板块缩写快速转换为中文全称：

import pandas as pd
df = pd.DataFrame({'ticker': ['AAPL', 'GS'], 'sector_code': ['T', 'F']})
sector_map = {'T': '科技板块', 'F': '金融板块'}
# 映射转换
df['sector_name'] = df['sector_code'].___(sector_map)
print(df.loc[0, 'sector_name']) # 输出 科技板块

答案：map

本章小结

行动清单

• 使用字典映射将省份名称转换为对应的区号
• 编写自定义函数实现成绩等级转换（90+ → A，80-89 → B）
• 对包含缺失值的商品价格序列应用安全映射策略

「小象量化教研组」