Są świetne informacje w tych odpowiedziach, ale dodaję swoje własne, aby jasno podsumować, które metody działają pod względem tablicy w porównaniu do elementów. jeremiahbuddha głównie to zrobił, ale nie wspomniał o serialach.aplikuj. Nie mam przedstawiciela do komentowania.

• DataFrame.apply operuje na całych wierszach lub kolumnach naraz.

• DataFrame.applymap, Series.apply, i Series.map działają na jednym element w czasie.

Istnieje wiele nakładania się możliwości Series.apply i Series.map, co oznacza które w większości przypadków zadziałają. Mają jednak pewne niewielkie różnice, z których niektóre zostały omówione w odpowiedzi osa.

Dodając do pozostałych odpowiedzi, w Series są również Mapa i zastosuj.

Apply może utworzyć ramkę danych z serii; jednak map po prostu umieści serię w każdej komórce innej serii, co prawdopodobnie nie jest tym, czego chcesz.

In [40]: p=pd.Series([1,2,3])
In [41]: p
Out[31]:
0    1
1    2
2    3
dtype: int64

In [42]: p.apply(lambda x: pd.Series([x, x]))
Out[42]: 
   0  1
0  1  1
1  2  2
2  3  3

In [43]: p.map(lambda x: pd.Series([x, x]))
Out[43]: 
0    0    1
1    1
dtype: int64
1    0    2
1    2
dtype: int64
2    0    3
1    3
dtype: int64
dtype: object

Również gdybym miał funkcję z efektami ubocznymi, takimi jak "połącz się z serwerem WWW", prawdopodobnie użyłbym apply tylko dla jasności.

series.apply(download_file_for_every_element) 

Map może używać nie tylko funkcji, ale także słownik lub inna seria. powiedzmy, że chcesz manipulować permutacjami.

Take

1 2 3 4 5
2 1 4 5 3

Kwadrat tej permutacji wynosi

1 2 3 4 5
1 2 5 3 4

Można obliczyć za pomocą map. Nie wiem, czy aplikacja własna jest udokumentowana, ale działa w 0.15.1.

In [39]: p=pd.Series([1,0,3,4,2])

In [40]: p.map(p)
Out[40]: 
0    0
1    1
2    4
3    2
4    3
dtype: int64

@ jeremiahbuddha wspomniał, że apply działa na wierszach/kolumnach, podczas gdy applymap działa w elementach. Ale wydaje się, że nadal możesz używać aplikacji do obliczeń elementów....

    frame.apply(np.sqrt)
    Out[102]: 
                   b         d         e
    Utah         NaN  1.435159       NaN
    Ohio    1.098164  0.510594  0.729748
    Texas        NaN  0.456436  0.697337
    Oregon  0.359079       NaN       NaN

    frame.applymap(np.sqrt)
    Out[103]: 
                   b         d         e
    Utah         NaN  1.435159       NaN
    Ohio    1.098164  0.510594  0.729748
    Texas        NaN  0.456436  0.697337
    Oregon  0.359079       NaN       NaN

Chciałem tylko zaznaczyć, ponieważ zmagałem się z tym przez chwilę

def f(x):
    if x < 0:
        x = 0
    elif x > 100000:
        x = 100000
    return x

df.applymap(f)
df.describe()

To nie modyfikuje samego ramki danych, musi być ponownie przypisane

df = df.applymap(f)
df.describe()

Prawdopodobnie najprostsze wyjaśnienie różnica między apply i applymap:

Apply przyjmuje całą kolumnę jako parametr, a następnie przypisuje wynik do tej kolumny

Applymap pobiera wartość oddzielnej komórki jako parametr i przypisuje wynik z powrotem do tej komórki.

NB jeśli apply zwróci pojedynczą wartość, będziesz miał tę wartość zamiast kolumny po przypisaniu i ostatecznie będziesz miał tylko wiersz zamiast matrycy.

Moje zrozumienie:

Z punktu widzenia funkcji:

Jeśli funkcja ma zmienne, które należy porównać w kolumnie / wierszu, użyj apply.

Np.: lambda x: x.max()-x.mean().

Jeśli funkcja ma być zastosowana do każdego elementu:

1 > Jeśli znajduje się kolumna / wiersz, użyj apply

2 > jeśli dotyczy całego ramki danych, użyj applymap

majority = lambda x : x > 17
df2['legal_drinker'] = df2['age'].apply(majority)

def times10(x):
  if type(x) is int:
    x *= 10 
  return x
df2.applymap(times10)

Mocny tekst Seria.map(arg, na_action=None)

Mapuj wartości serii za pomocą korespondencji wejściowej (dict, Seria lub funkcja).

Seria.Zastosuj

Do stosowania bardziej złożonych funkcji na szeregu.

Ramka danych.Zastosuj

Zastosuj funkcję row- / column-wise.

Ramka danych.applymap

Apply a function elementwise on a whole DataFrame.

Źródło: mapa w Pandzie