查看全课大纲（第 40 / 52 节）

Pandas map：对股票代码与状态做映射

约 8 分钟

小象实战讲义 · 量化交易Python入门：从咖啡馆到华尔街

Pandas 是量化交易员最核心的武器。本章你将通过 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

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)

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)

原始数据:
0    苹果
1    香蕉
2    橙子
3    苹果
dtype: str

映射结果:
0    A
1    B
2    C
3    A
dtype: str

函数映射

import pandas as pd

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)

体温状态:
0    正常
1    正常
2    发热
3    正常
dtype: str

缺失值处理

import pandas as pd

incomplete_data = pd.Series(['苹果', '梨', '香蕉', None])
fruit_code = {'苹果': 'A', '香蕉': 'B', '橙子': 'C'}

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

安全映射结果:
0      A
1    NaN
2      B
3    NaN
dtype: str

性能优化技巧

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

import pandas as pd
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)
print("向量化映射结果:")
print(result)

向量化映射结果:
0      A
1      B
2    NaN
dtype: str

📝 动手练一练

第 1 题 · 概念应用

假设你正在处理一个量化因子库，其中有一个名为 factor_signal 的 Series，其值为 1、0 或 -1，分别代表“强烈看多”、“中性”和“强烈看空”。现在你需要将其转换为更易读的标签，用于生成报告。

以下哪种方法是最合适且高效的？

A. 使用 factor_signal.apply(lambda x: '强烈看多' if x == 1 else ('中性' if x == 0 else '强烈看空'))
B. 使用 factor_signal.map({1: '强烈看多', 0: '中性', -1: '强烈看空'})
C. 使用 factor_signal.astype(str).replace({'1':'强烈看多', '0':'中性', '-1':'强烈看空'})
D. 使用 factor_signal.transform(lambda x: '强烈看多' if x == 1 else ('中性' if x == 0 else '强烈看空'))

👉 点击查看参考答案

答案：B

推理过程：

本题的核心是将离散的数值映射为对应的分类标签，这正是 Series.map() 方法的典型应用场景。
选项B：直接使用字典进行映射，语法简洁，且 map() 方法针对 Series 的元素级操作进行了优化，在处理此类简单映射时通常比 apply 效率更高。
选项A：虽然功能正确，但使用了多层嵌套的 lambda 函数，代码可读性较差，且 apply 在简单映射场景下的执行效率通常低于 map(dict)。
选项C：先转换为字符串再进行替换，增加了不必要的类型转换步骤，效率较低，且逻辑不够直接。
选项D：transform 方法主要用于与分组操作结合，在此处使用并不合适，且其内部逻辑与 apply 类似，效率并非最优。

因此，使用 map() 配合字典是最佳实践。

第 2 题 · 代码填空

在回测中，你有一个持仓股票代码的 Series，需要根据一个行业分类字典，快速映射出每只股票所属的行业名称，以便进行行业暴露分析。请补全以下代码。

import pandas as pd
import numpy as np

# 模拟持仓股票代码
positions = pd.Series(['000001.SZ', '600519.SH', '000858.SZ', '002415.SZ'])
# 行业分类字典 (股票代码 -> 行业)
industry_dict = {
    '000001.SZ': '银行',
    '600519.SH': '食品饮料',
    '000858.SZ': '食品饮料',
    '002415.SZ': '计算机'
}

# 使用 map 方法，根据字典映射出行业信息
positions_industry = positions.______(industry_dict)

print("股票代码对应的行业：")
print(positions_industry)

👉 点击查看参考答案

空位应填：map

补全后的完整可运行代码如下：

import pandas as pd
import numpy as np

# 模拟持仓股票代码
positions = pd.Series(['000001.SZ', '600519.SH', '000858.SZ', '002415.SZ'])
# 行业分类字典 (股票代码 -> 行业)
industry_dict = {
    '000001.SZ': '银行',
    '600519.SH': '食品饮料',
    '000858.SZ': '食品饮料',
    '002415.SZ': '计算机'
}

# 使用 map 方法，根据字典映射出行业信息
positions_industry = positions.map(industry_dict)

print("股票代码对应的行业：")
print(positions_industry)

股票代码对应的行业：
0      银行
1    食品饮料
2    食品饮料
3     计算机
dtype: str

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

—— 小象教研组