Pandas apply：滚动计算技术指标

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 · 量化交易Python入门：从咖啡馆到华尔街

上一节我们用 Series.map 处理了单列的值映射。这一节要解决的是更常见的批量计算场景：一张持仓表里多列之间要交叉运算、整张行情表的每个单元格要统一格式��。这正是 apply 与 map（原课讲授的 applymap）出场的地方。学完本节，你能清晰判断「什么时候用 map、什么时候用 apply」，并写出在现代 pandas 环境里可直接运行的批量计算代码。

💡 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，如收盘价 × 持仓量 = 市值），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。本讲义一律使用新写法，并说明如何迁移旧代码。
• 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（量化数据处理场景）                     │
├──────────────┬─────────────────────────────────────────────┤
│ 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（收盘价 × 持仓量 = 持仓市值）；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）。

下面在一张持仓快照上同时演示这两种轴向：

import pandas as pd

# 某量化组合的持仓与行情快照（硬编码小样例，输出确定）
positions = pd.DataFrame({
    "stock_code": ["600519", "000858", "601318", "600036"],
    "stock_name": ["贵州茅台", "五粮液", "中国平安", "招商银行"],
    "close": [1682.0, 142.5, 48.6, 36.2],
    "quantity": [100, 2000, 5000, 8000],
})

# axis=1：沿行横向计算——每一行以 Series 传入，用于多列交叉运算
positions["market_value"] = positions.apply(
    lambda row: row["close"] * row["quantity"], axis=1
)
print("持仓市值（axis=1 逐行计算）：")
print(positions[["stock_name", "close", "quantity", "market_value"]])

持仓市值（axis=1 逐行计算）：
  stock_name   close  quantity  market_value
0       贵州茅台  1682.0       100      168200.0
1        五粮液   142.5      2000      285000.0
2       中国平安    48.6      5000      243000.0
3       招商银行    36.2      8000      289600.0

注意这里的语义：函数体里用列名 row["close"]、row["quantity"] 取数，必须配 axis=1。如果误写成 axis=0，每一列会被当成一个 Series 传入，row["close"] 立刻抛 KeyError——这是量化数据处理里最常见的轴向错误。

再看 axis=0 的列级聚合：

import pandas as pd

# 三只标的的日收益率（硬编码小样例，输出确定）
returns = pd.DataFrame({
    "600519": [0.012, -0.008, 0.005, 0.011],
    "000858": [-0.015, 0.006, 0.009, -0.004],
    "601318": [0.003, 0.002, -0.006, 0.007],
})

# axis=0：沿列纵向聚合——对每只标的分别求平均日收益率
print("各标的平均日收益率（axis=0 列级聚合）：")
print(returns.apply(lambda col: col.mean()))

各标的平均日收益率（axis=0 列级聚合）：
600519    0.0050
000858   -0.0010
601318    0.0015
dtype: float64

把两者对照起来看：axis=1 的结果长度等于行数（每行一个值），axis=0 的结果长度等于列数（每列一个值）。判断口诀：看你要的结果是「每行一个」还是「每列一个」。

2. 全表元素级映射：DataFrame.map（原 applymap）

量化数据里常见的另一类需求是格式统一，比如把收益率矩阵里的小数统一转成百分比字符串。原课使用的 DataFrame.applymap 正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，只是方法名与 Series.map 统一了。因此本讲义一律使用 DataFrame.map。

import pandas as pd

# 收益率矩阵：3 只标的 × 4 个交易日（硬编码小样例，输出确定）
returns = pd.DataFrame({
    "600519": [0.012, -0.008, 0.005, 0.011],
    "000858": [-0.015, 0.006, 0.009, -0.004],
    "601318": [0.003, 0.002, -0.006, 0.007],
})

# DataFrame.map：pandas 3.0 起取代已移除的 applymap，逐单元格变换
pct = returns.map(lambda x: f"{x * 100:.2f}%")
print("逐单元格转百分比（DataFrame.map）：")
print(pct)

# Series.map：仅单列，按字典做值映射
s = pd.Series(["A股", "港股", "A股", "美股"])
print("\n市场分类编码（Series.map）：")
print(s.map({"A股": "A", "港股": "H", "美股": "US"}))

逐单元格转百分比（DataFrame.map）：
   600519  000858  601318
0   1.20%  -1.50%   0.30%
1  -0.80%   0.60%   0.20%
2   0.50%   0.90%  -0.60%
3   1.10%  -0.40%   0.70%

市场分类编码（Series.map）：
0     A
1     H
2     A
3    US
dtype: str

DataFrame.map 的关键特点是逐单元格、无视列名：它把函数依次作用到每一个格子，函数只关心「这个值是什么」，不关心「它在哪一列」。上面把小数收益率转成带百分号的字符串，就是它的典型用途。

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「市场分类」换成代码）→ 用 Series.map；
• 需要沿行或沿列把多列组合成一个结果（如按行算持仓市值、按列算平均收益）→ 用 DataFrame.apply；
• 需要对整张表的每个单元格做同一个轻量变换（转百分比、统一格式化）→ 用 DataFrame.map。

因为 DataFrame.map 无视列名，对混合类型表格要格外小心：如果表里既有数值列又有文本列，函数必须能同时处理两种类型，否则会抛异常。下面的写法用类型判断做防护，这在因子权重表这类混合表里很常见：

import pandas as pd

# 因子权重表：权重列是小数，因子名列是文本（硬编码小样例）
weights = pd.DataFrame({
    "factor": ["momentum", "value", "quality"],
    "weight": [0.35, 0.45, 0.20],
})

# DataFrame.map 对全表逐元素生效，故需按类型分支处理
formatted = weights.map(
    lambda v: f"{v:.2f}" if isinstance(v, float) else v
)
print("因子权重表格式化结果：")
print(formatted)

因子权重表格式化结果：
     factor weight
0  momentum   0.35
1     value   0.45
2   quality   0.20

两个常见坑：

1. 轴向写反：axis=1 与 axis=0 的语义完全不同。报错时第一件事就是检查轴向——尤其是函数体里用列名取数却传了 axis=0，会直接 KeyError。
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——在百万行级别的日频数据上，两者速度差别非常明显。

📝 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

3. 迁移练习题：原课用 applymap 完成了「把权重矩阵的小数统一格式化为两位小数字符串」。请写出 pandas 3.0 下的等价写法，并说明需要改动方法名的原因。

   👉 点击查看参考答案

   参考答案：

   import pandas as pd
   
   weights = pd.DataFrame({"w1": [0.1234, 0.5678], "w2": [0.9, 0.1]})
   print(weights.map(lambda v: f"{v:.2f}"))

        w1    w2

0 0.12 0.90 1 0.57 0.10

原因：`DataFrame.applymap` 在 pandas 3.0 中已被移除，官方将其更名为 `DataFrame.map`，语义与参数完全不变，因此只需把方法名 `applymap` 换成 `map` 即可，**不要再使用 `applymap`**。

</details>

---

## 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，并记住判断口诀：**要「每行一个结果」用 `axis=1`，要「每列一个结果」用 `axis=0`**；
- 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**（原 `applymap` 已移除，练习与小结中均不应再出现该名称）；
- 厘清了 `map`、`apply`、`map`（原 `applymap`）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（含练习题），把它改写成 `DataFrame.map` 并跑通。
- [ ] 检查自己手上的量化项目里是否还有 `applymap` 调用，一并迁移。

—— 小象教研组