Pandas Series.apply() 和 Series.map() 有什么区别？ [复制]答案

【问题标题】：What is the difference between Pandas Series.apply() and Series.map()? [duplicate]Pandas Series.apply() 和 Series.map() 有什么区别？ [复制]
【发布时间】：2016-11-11 14:59:54
【问题描述】：

Series.map():

使用输入对应关系映射 Series 的值（可以是 dict、Series 或函数）

Series.apply()

对 Series 的值调用函数。可以是 ufunc（适用于整个系列的 NumPy 函数）或仅适用于单个值的 Python 函数

apply() 似乎几乎完成了map() 所做的所有事情，在应用矢量化操作的同时矢量化标量函数。同时map() 允许对空值处理进行一定程度的控制。除了与 Python 的 apply() 和 map() 函数的历史类比之外，在一般使用中是否有理由更喜欢其中一个？为什么不把这些功能组合起来呢？

【问题讨论】：

afaik Series.map(func) 无法将其他参数传递给 func。当您使用 Series.apply(func) 时，您可以执行 sr.apply(func, convert_dtype=True, arg2='foo', arg3=True)，并且 Series.apply() 无法识别的任何关键字参数都是传递给 func，在本例中为 arg2='foo' 和 arg3=True。
@xg.plt.py 另一个问题的上下文是数据帧而不是系列对象（因此在这种情况下相似性更深）

标签： python numpy vectorization

【解决方案1】：

区别很微妙：

pandas.Series.map 将用您传递给map 的值替换系列的值。

pandas.Series.apply 将函数（可能带有参数）应用于系列的值。

不同之处在于你可以传递给方法

map 和apply 都可以接收函数：

s = pd.Series([1, 2, 3, 4])

def square(x):
     return x**2

s.map(square) 

0    1
1    2
2    3
3    4
dtype: int64

s.apply(square) 

0    1
1    2
2    3
3    4
dtype: int64

但是，您传递给map 的函数不能有多个参数（它将输出ValueError）：

def power(x, p):
    return x**p

s.apply(power, p=3)

0     1
1     8
2    27
3    64
dtype: int64


s.map(power,3)
---------------------------------------------------------------------------
ValueError

map 可以接收字典（甚至是 pd.Series 在这种情况下它将使用索引作为键）而 apply 不能（它将输出 TypeError）

dic = {1: 5, 2: 4}

s.map(dic)

0    5.0
1    4.0
2    NaN
3    NaN
dtype: float64

s.apply(dic)
---------------------------------------------------------------------------
TypeError  


s.map(s)

0    2.0
1    3.0
2    4.0
3    NaN
dtype: float64


s.apply(s)

---------------------------------------------------------------------------
TypeError

【讨论】：