函数应用操作 (2) -- apply applymap

Pandas 函数应用进阶：apply 轴向计算与全表映射（原 applymap）

小象实战讲义 · Python数据分析实战

在上一节掌握了面向单列的 Series.map 之后，我们这一节来解决更复杂的批量计算需求：对整张表按行、按列做汇总，或者对每一个单元格统一做格式变换。这正是 apply 与 applymap（新版 pandas 已改名为 map）出场的地方。学完本节，你将能清晰判断「什么时候用 map、什么时候用 apply」，并写出可运行的表格批量计算代码。

💡 核心导读

• 三个函数应用 API 的适用对象：Series.map 只作用于单列；DataFrame.apply 沿指定轴（行或列）批量计算；DataFrame.map 作用于整张表的所有单元格。
• apply 的轴向语义：axis=1 表示沿行横向计算（多列交叉运算），axis=0 表示沿列纵向聚合。
• 一次重要的版本变更：原课讲授的 applymap 在 pandas 3.0 中已被移除，官方统一为 DataFrame.map。
• 全部代码锁定现代环境实跑（Python 3.14 + pandas 3.0），输出可直接核对。

1. 三个函数应用 API 的定位边界

Pandas 提供了三层递进的函数应用能力，先厘清各自的适用范围：

┌────────────────────────────────────────────────────────────┐
│  函数应用 API 选区                                         │
├──────────────┬─────────────────────────────────────────────┤
│ Series.map   │ 仅单列：元素级的值替换 / 映射               │
│ DataFrame.apply │ 沿 axis=0（列）或 axis=1（行）批量计算     │
│ DataFrame.map│ 整张表：对每个单元格做元素级变换            │
└──────────────┴─────────────────────────────────────────────┘

其中 apply 的关键在于轴向：axis=1（沿行）会把每一行当作一个 Series 传入函数，适合做「多列交叉」的计算（如单价 × 数量）；axis=0（沿列，默认）会把每一列当作 Series 传入，适合做列级聚合（如求均值、极差）。

下面的例子在一张商品销售明细表上同时演示这两种轴向：

import pandas as pd

# 商品销售明细（硬编码小样例，输出确定）
df = pd.DataFrame({
    "product": ["手机", "平板", "耳机"],
    "price": [4999.0, 2899.0, 799.0],
    "quantity": [10.0, 15.0, 50.0],
})

# axis=1：沿行横向计算——每一行以 Series 传入，用于多列交叉运算
df["amount"] = df.apply(lambda row: row["price"] * row["quantity"], axis=1)
print("按行交叉计算应付金额（axis=1）：")
print(df)

# axis=0：沿列纵向聚合——每一列以 Series 传入，用于列级统计
print("\n按列统计均值（axis=0）：")
print(df[["price", "quantity", "amount"]].apply(lambda col: col.mean()))

按行交叉计算应付金额（axis=1）：
  product   price  quantity   amount
0      手机  4999.0      10.0  49990.0
1      平板  2899.0      15.0  43485.0
2      耳机   799.0      50.0  39950.0

按列统计均值（axis=0）：
price        2899.0
quantity       25.0
amount      44475.0
dtype: float64

2. 全表元素级映射：DataFrame.map（原 applymap）

有时我们要对表格里的每个单元格做同一个轻量变换，例如把所有数字统一格式化。原课使用的 DataFrame.applymap 是完成这件事的经典函数，但在 pandas 3.0 中 applymap 已被移除，官方给出的等价写法是 DataFrame.map——语义完全一致，只是名字更统一（与 Series.map 对齐）。因此本讲义一律使用 DataFrame.map。

import pandas as pd

# 传感器测量矩阵（硬编码小样例）
df = pd.DataFrame({
    "sensor_a": [1.2345, 45.6789],
    "sensor_b": [9.8765, 3.4567],
}, index=["T1", "T2"])

# DataFrame.map：对整张表逐元素变换（pandas 3.0 起取代 applymap）
df_fmt = df.map(lambda x: f"{x:.2f}")
print("两位小数全表格式化：")
print(df_fmt)

# Series.map：仅单列，按字典做值映射
s = pd.Series(["研发部", "财务部", "研发部"])
print("\nSeries.map 值映射：")
print(s.map({"研发部": "RD", "财务部": "FIN"}))

两位小数全表格式化：
   sensor_a sensor_b
T1     1.23     9.88
T2    45.68     3.46

Series.map 值映射：
0     RD
1    FIN
2     RD
dtype: str

版本提示：若你在旧教程或原课视频中看到 df.applymap(...)，只需把方法名替换为 df.map(...) 即可，参数与返回行为不变。这是 pandas 3.0 的一次统一命名变更，不影响数据分析思路。

3. 三者的选择经验与常见坑

实际工作中按下面的顺序判断即可：

• 只处理一列的值映射（如把「部门名称」换成编码）→ 用 Series.map；
• 需要沿行或沿列把多列组合成一个结果（如按行算总价）→ 用 DataFrame.apply；
• 需要对整张表的每个单元格做同一个轻量变换（格式化、取绝对值、开方）→ 用 DataFrame.map。

除了作用于 DataFrame，apply 也能作用在单个 Series 上——此时它等价于「把函数作用到每一个元素」。原课在演示姓名拆分时就用过这种写法：对 df['姓名'] 这一列 apply(lambda x: x[0])，一次性取出每个姓名的第一个字符作为「姓」。这说明 apply 的定位是「把一个函数批量作用到一组数据上」，作用对象既可以是行、列，也可以是一列的元素。

两个常见坑：

1. 轴向写反：axis=1 与 axis=0 的结果完全不同，前者是「每行一个结果」，后者是「每列一个结果」。当函数体里用列名取数、却把轴传成了 0，就会拿到 KeyError 或得到意料之外的结果——报错时第一件事就是检查轴向。
2. 性能预期：apply / map 本质上是把 Python 函数逐元素或逐切片地作用上去，属于 Python 级循环，适合「逻辑复杂但数据量不大」的场景；当计算本身可以用 NumPy 向量化表达时（例如整列统一加减乘除），应优先用向量化写法，速度差别在百万行数据上非常明显。

📝 动手练一练

1. 概念辨析题：请用一句话分别说明 Series.map、DataFrame.apply、DataFrame.map 的适用对象。

   👉 点击查看参考答案

   参考答案：

   • Series.map：只作用于单个 Series（一列），做元素级的值替换或映射；
   • DataFrame.apply：作用于 DataFrame，沿 axis=0（按列）或 axis=1（按行）批量计算；
   • DataFrame.map：作用于整张 DataFrame，对每一个单元格做元素级变换（即原 applymap）。

2. 编程练习题：给定 df = pd.DataFrame({'a': [1, 2, 3], 'b': [4, 5, 6]})，请用 apply 沿 axis=1 新增一列 row_sum，值为每行 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['row_sum'] = df.apply(lambda row: row['a'] + row['b'], axis=1)
   print(df)

a  b  row_sum
0  1  4        5
1  2  5        7
2  3  6        9

本章小结

• 掌握了 DataFrame.apply 的 axis=0（列级聚合）与 axis=1（行级交叉计算）两种轴向用法；
• 掌握了 DataFrame.map 对整张表逐元素变换的方法，并知晓它是 pandas 3.0 中 applymap 的替代写法；
• 厘清了 map、apply、applymap（→map）三者的选择边界与版本差异。

📋 行动清单

• 在本地执行本节代码，观察 axis=0 与 axis=1 两种输出的差异。
• 找一个旧教程里的 applymap 例子，把它改写成 DataFrame.map 并跑通。
• 做好准备，进入下一小节学习 Pandas 的文件读写操作。

—— 小象教研组