当前位置： 首页 > news >正文

Pandas的数据转换函数

news 2025/8/26 17:12:31

Pandas的数据转换函数：map, apply, applymap

参数描述
map只用于Series,实现每个值->值的映射
apply用于Series实现每个值的处理，用于DataFrame实现某个轴的Series的处理
applymap只能用于DataFrame, 用于处理该DataFrame的每个元素

1. map用于Series值的转换

  • 将股票代码英文转换成中文名字
  • Series.map(dict) or Series.map(function)均可
import pandas as pd
file_path = r'C:\TELCEL_MEXICO_BOT\A\互联网公司股票.xlsx'
stocks = pd.read_excel(file_path)print(stocks)日期    公司       收盘      开盘       高       低    交易量   涨跌幅
0  2019-10-03  BIDU   104.32  102.35  104.73  101.15   2.24  0.02
1  2019-10-02  BIDU   102.62  100.85  103.24   99.50   2.69  0.01
2  2019-10-01  BIDU   102.00  102.80  103.26  101.00   1.78 -0.01
3  2019-10-03  BABA  1169.48  166.65  170.18  165.00  10.39  0.02
4  2019-10-02  BABA   165.77  162.82  166.88  161.90  11.60  0.00
5  2019-10-01  BABA   165.15  168.01  168.23  163.64  14.19 -0.01
6  2019-10-03    IQ    16.06   15.71   16.38   15.32  10.08  0.02
7  2019-10-02    IQ    15.72   15.85   15.87   15.12   8.10 -0.01
8  2019-10-01    IQ    15.92   16.14   16.22   15.50  11.65 -0.01
9  2019-10-03    JD   128.80   28.11   28.97   27.82   8.77 -0.03
10 2019-10-02    JD   128.06   28.00   28.22   27.53   9.53  0.00
11 2019-10-01    JD    28.19   28.22   28.57   27.97  10.64  0.00print(stocks['公司'].unique())
['BIDU' 'BABA' 'IQ' 'JD']## 公司股票代码到中文的映射，注意这是小写
dict_company_names = {'bidu':'百度','baba':'阿里巴巴','iq':'爱奇艺','jd':'京东'}
## 方法1: Series.map(dict)
stocks['公司中文'] = stocks['公司'].str.lower().map(dict_company_names) 
print(stocks)日期    公司       收盘      开盘       高       低    交易量   涨跌幅  公司中文
0  2019-10-03  BIDU   104.32  102.35  104.73  101.15   2.24  0.02    百度
1  2019-10-02  BIDU   102.62  100.85  103.24   99.50   2.69  0.01    百度
2  2019-10-01  BIDU   102.00  102.80  103.26  101.00   1.78 -0.01    百度
3  2019-10-03  BABA  1169.48  166.65  170.18  165.00  10.39  0.02  阿里巴巴
4  2019-10-02  BABA   165.77  162.82  166.88  161.90  11.60  0.00  阿里巴巴
5  2019-10-01  BABA   165.15  168.01  168.23  163.64  14.19 -0.01  阿里巴巴
6  2019-10-03    IQ    16.06   15.71   16.38   15.32  10.08  0.02   爱奇艺
7  2019-10-02    IQ    15.72   15.85   15.87   15.12   8.10 -0.01   爱奇艺
8  2019-10-01    IQ    15.92   16.14   16.22   15.50  11.65 -0.01   爱奇艺
9  2019-10-03    JD   128.80   28.11   28.97   27.82   8.77 -0.03    京东
10 2019-10-02    JD   128.06   28.00   28.22   27.53   9.53  0.00    京东
11 2019-10-01    JD    28.19   28.22   28.57   27.97  10.64  0.00    京东## 方法2：Series.map(function), function的参数是Series的每个元素的值
print(stocks)日期    公司       收盘      开盘       高       低    交易量   涨跌幅
0  2019-10-03  BIDU   104.32  102.35  104.73  101.15   2.24  0.02
1  2019-10-02  BIDU   102.62  100.85  103.24   99.50   2.69  0.01
2  2019-10-01  BIDU   102.00  102.80  103.26  101.00   1.78 -0.01
3  2019-10-03  BABA  1169.48  166.65  170.18  165.00  10.39  0.02
4  2019-10-02  BABA   165.77  162.82  166.88  161.90  11.60  0.00
5  2019-10-01  BABA   165.15  168.01  168.23  163.64  14.19 -0.01
6  2019-10-03    IQ    16.06   15.71   16.38   15.32  10.08  0.02
7  2019-10-02    IQ    15.72   15.85   15.87   15.12   8.10 -0.01
8  2019-10-01    IQ    15.92   16.14   16.22   15.50  11.65 -0.01
9  2019-10-03    JD   128.80   28.11   28.97   27.82   8.77 -0.03
10 2019-10-02    JD   128.06   28.00   28.22   27.53   9.53  0.00
11 2019-10-01    JD    28.19   28.22   28.57   27.97  10.64  0.00dict_company_names = {'bidu':'百度','baba':'阿里巴巴','iq':'爱奇艺','jd':'京东'}
stocks['公司中文2'] = stocks['公司'].map(lambda x:dict_company_names[x.lower()])
print(stocks)日期    公司       收盘      开盘       高       低    交易量   涨跌幅 公司中文2
0  2019-10-03  BIDU   104.32  102.35  104.73  101.15   2.24  0.02    百度
1  2019-10-02  BIDU   102.62  100.85  103.24   99.50   2.69  0.01    百度
2  2019-10-01  BIDU   102.00  102.80  103.26  101.00   1.78 -0.01    百度
3  2019-10-03  BABA  1169.48  166.65  170.18  165.00  10.39  0.02  阿里巴巴
4  2019-10-02  BABA   165.77  162.82  166.88  161.90  11.60  0.00  阿里巴巴
5  2019-10-01  BABA   165.15  168.01  168.23  163.64  14.19 -0.01  阿里巴巴
6  2019-10-03    IQ    16.06   15.71   16.38   15.32  10.08  0.02   爱奇艺
7  2019-10-02    IQ    15.72   15.85   15.87   15.12   8.10 -0.01   爱奇艺
8  2019-10-01    IQ    15.92   16.14   16.22   15.50  11.65 -0.01   爱奇艺
9  2019-10-03    JD   128.80   28.11   28.97   27.82   8.77 -0.03    京东
10 2019-10-02    JD   128.06   28.00   28.22   27.53   9.53  0.00    京东
11 2019-10-01    JD    28.19   28.22   28.57   27.97  10.64  0.00    京东

2. apply用于Series和DataFrame的转换

  • Series.apply(function), 函数的参数是每个值
  • DataFrame.apply(function),函数的参数是Series
import pandas as pd
import numpy as np
file_path = r'C:\TELCEL_MEXICO_BOT\A\互联网公司股票.xlsx'
stocks = pd.read_excel(file_path)
print(stocks)日期    公司       收盘      开盘       高       低    交易量   涨跌幅
0  2019-10-03  BIDU   104.32  102.35  104.73  101.15   2.24  0.02
1  2019-10-02  BIDU   102.62  100.85  103.24   99.50   2.69  0.01
2  2019-10-01  BIDU   102.00  102.80  103.26  101.00   1.78 -0.01
3  2019-10-03  BABA  1169.48  166.65  170.18  165.00  10.39  0.02
4  2019-10-02  BABA   165.77  162.82  166.88  161.90  11.60  0.00
5  2019-10-01  BABA   165.15  168.01  168.23  163.64  14.19 -0.01
6  2019-10-03    IQ    16.06   15.71   16.38   15.32  10.08  0.02
7  2019-10-02    IQ    15.72   15.85   15.87   15.12   8.10 -0.01
8  2019-10-01    IQ    15.92   16.14   16.22   15.50  11.65 -0.01
9  2019-10-03    JD   128.80   28.11   28.97   27.82   8.77 -0.03
10 2019-10-02    JD   128.06   28.00   28.22   27.53   9.53  0.00
11 2019-10-01    JD    28.19   28.22   28.57   27.97  10.64  0.00dict_company_names = {'bidu':'百度','baba':'阿里巴巴','iq':'爱奇艺','jd':'京东'}## Series.apply(function)stocks['公司中文3'] = stocks['公司'].apply(lambda x:dict_company_names[x.lower()] )
print(stocks)日期    公司       收盘      开盘       高       低    交易量   涨跌幅 公司中文3
0  2019-10-03  BIDU   104.32  102.35  104.73  101.15   2.24  0.02    百度
1  2019-10-02  BIDU   102.62  100.85  103.24   99.50   2.69  0.01    百度
2  2019-10-01  BIDU   102.00  102.80  103.26  101.00   1.78 -0.01    百度
3  2019-10-03  BABA  1169.48  166.65  170.18  165.00  10.39  0.02  阿里巴巴
4  2019-10-02  BABA   165.77  162.82  166.88  161.90  11.60  0.00  阿里巴巴
5  2019-10-01  BABA   165.15  168.01  168.23  163.64  14.19 -0.01  阿里巴巴
6  2019-10-03    IQ    16.06   15.71   16.38   15.32  10.08  0.02   爱奇艺
7  2019-10-02    IQ    15.72   15.85   15.87   15.12   8.10 -0.01   爱奇艺
8  2019-10-01    IQ    15.92   16.14   16.22   15.50  11.65 -0.01   爱奇艺
9  2019-10-03    JD   128.80   28.11   28.97   27.82   8.77 -0.03    京东
10 2019-10-02    JD   128.06   28.00   28.22   27.53   9.53  0.00    京东
11 2019-10-01    JD    28.19   28.22   28.57   27.97  10.64  0.00    京东## DataFrame.apply(function)stocks['公司中文4'] = stocks.apply(lambda x:dict_company_names[x['公司'].lower()], axis=1)
print(stocks)日期    公司       收盘      开盘       高       低    交易量   涨跌幅 公司中文4
0  2019-10-03  BIDU   104.32  102.35  104.73  101.15   2.24  0.02    百度
1  2019-10-02  BIDU   102.62  100.85  103.24   99.50   2.69  0.01    百度
2  2019-10-01  BIDU   102.00  102.80  103.26  101.00   1.78 -0.01    百度
3  2019-10-03  BABA  1169.48  166.65  170.18  165.00  10.39  0.02  阿里巴巴
4  2019-10-02  BABA   165.77  162.82  166.88  161.90  11.60  0.00  阿里巴巴
5  2019-10-01  BABA   165.15  168.01  168.23  163.64  14.19 -0.01  阿里巴巴
6  2019-10-03    IQ    16.06   15.71   16.38   15.32  10.08  0.02   爱奇艺
7  2019-10-02    IQ    15.72   15.85   15.87   15.12   8.10 -0.01   爱奇艺
8  2019-10-01    IQ    15.92   16.14   16.22   15.50  11.65 -0.01   爱奇艺
9  2019-10-03    JD   128.80   28.11   28.97   27.82   8.77 -0.03    京东
10 2019-10-02    JD   128.06   28.00   28.22   27.53   9.53  0.00    京东
11 2019-10-01    JD    28.19   28.22   28.57   27.97  10.64  0.00    京东## 注意在这个代码中
1. apply 是在stocks这个DataFrame上调用
2. lambda x 的 x是一个Series,因为指定了axis=1,所以Series的key是列名，可以用x['公司']获取

3. applymap用于DataFrame所有值的转换

import pandas as pdfile_path = r'C:\TELCEL_MEXICO_BOT\A\互联网公司股票.xlsx'
stocks = pd.read_excel(file_path)
print(stocks)日期    公司       收盘      开盘       高       低    交易量   涨跌幅
0  2019-10-03  BIDU   104.32  102.35  104.73  101.15   2.24  0.02
1  2019-10-02  BIDU   102.62  100.85  103.24   99.50   2.69  0.01
2  2019-10-01  BIDU   102.00  102.80  103.26  101.00   1.78 -0.01
3  2019-10-03  BABA  1169.48  166.65  170.18  165.00  10.39  0.02
4  2019-10-02  BABA   165.77  162.82  166.88  161.90  11.60  0.00
5  2019-10-01  BABA   165.15  168.01  168.23  163.64  14.19 -0.01
6  2019-10-03    IQ    16.06   15.71   16.38   15.32  10.08  0.02
7  2019-10-02    IQ    15.72   15.85   15.87   15.12   8.10 -0.01
8  2019-10-01    IQ    15.92   16.14   16.22   15.50  11.65 -0.01
9  2019-10-03    JD   128.80   28.11   28.97   27.82   8.77 -0.03
10 2019-10-02    JD   128.06   28.00   28.22   27.53   9.53  0.00
11 2019-10-01    JD    28.19   28.22   28.57   27.97  10.64  0.00sub_df = stocks[['收盘', '开盘','高', '低', '交易量']]
print(sub_df)收盘      开盘       高       低    交易量
0    104.32  102.35  104.73  101.15   2.24
1    102.62  100.85  103.24   99.50   2.69
2    102.00  102.80  103.26  101.00   1.78
3   1169.48  166.65  170.18  165.00  10.39
4    165.77  162.82  166.88  161.90  11.60
5    165.15  168.01  168.23  163.64  14.19
6     16.06   15.71   16.38   15.32  10.08
7     15.72   15.85   15.87   15.12   8.10
8     15.92   16.14   16.22   15.50  11.65
9    128.80   28.11   28.97   27.82   8.77
10   128.06   28.00   28.22   27.53   9.53
11    28.19   28.22   28.57   27.97  10.64## 将这些数据取整数，应用于所有元素
print(sub_df.applymap(lambda x:int(x)))收盘   开盘    高    低  交易量
0    104  102  104  101    2
1    102  100  103   99    2
2    102  102  103  101    1
3   1169  166  170  165   10
4    165  162  166  161   11
5    165  168  168  163   14
6     16   15   16   15   10
7     15   15   15   15    8
8     15   16   16   15   11
9    128   28   28   27    8
10   128   28   28   27    9
11    28   28   28   27   10## 直接修改原df的这几列stocks.loc[:,['收盘', '开盘','高', '低', '交易量']] = sub_df.applymap(lambda x:int(x))
print(stocks)日期    公司    收盘   开盘    高    低  交易量   涨跌幅
0  2019-10-03  BIDU   104  102  104  101    2  0.02
1  2019-10-02  BIDU   102  100  103   99    2  0.01
2  2019-10-01  BIDU   102  102  103  101    1 -0.01
3  2019-10-03  BABA  1169  166  170  165   10  0.02
4  2019-10-02  BABA   165  162  166  161   11  0.00
5  2019-10-01  BABA   165  168  168  163   14 -0.01
6  2019-10-03    IQ    16   15   16   15   10  0.02
7  2019-10-02    IQ    15   15   15   15    8 -0.01
8  2019-10-01    IQ    15   16   16   15   11 -0.01
9  2019-10-03    JD   128   28   28   27    8 -0.03
10 2019-10-02    JD   128   28   28   27    9  0.00
11 2019-10-01    JD    28   28   28   27   10  0.00

http://www.lryc.cn/news/547493.html

相关文章：

  • 影刀 RPA 实战开发阶段总结
  • Linux系统上安装kafka
  • DeepSeek如何快速开发PDF转Word软件
  • 虚拟机 | Ubuntu图形化系统： open-vm-tools安装失败以及实现文件拖放
  • Mysql-经典故障案例（1）-主从同步由于主键问题引发的故障
  • Linux下学【MySQL】中如何实现：多表查询（配sql+实操图+案例巩固 通俗易懂版~）
  • ubuntu局域网部署stable-diffusion-webui记录
  • 最基于底层的运算符——位运算符
  • 代码随想录算法训练营第三十二天 | 509. 斐波那契数 70. 爬楼梯 746. 使用最小花费爬楼梯
  • 3-9 WPS JS宏单元格复制、重定位应用(拆分单表到多表)
  • C++ 中前置 `++` 与后置 `++` 运算符重载
  • Scala：case class（通俗易懂版）
  • Vue、React、原生小程序的写法对比差异
  • 【AIGC系列】6：HunyuanVideo视频生成模型部署和代码分析
  • java 初学知识点总结
  • Android MVC、MVP、MVVM三种架构的介绍和使用。
  • AI视频领域的DeepSeek—阿里万相2.1图生视频
  • IDEA 2024.1.7 Java EE 无框架配置servlet
  • STM32---FreeRTOS中断管理试验
  • 深色系B端系统界面，在何种场景下更加适合？
  • 如何使用 Python+Flask+win32print 实现简易网络打印服务1
  • 深度学习DNN实战
  • 课程3. 分批训练与数据规范、标准化
  • 《机器学习数学基础》补充资料：过渡矩阵和坐标变换推导
  • linux指令学习--sudo apt-get install vim
  • 类和对象—多态—案例2—制作饮品
  • 嵌入式产品级-超小尺寸游戏机（从0到1 硬件-软件-外壳）
  • 计算机毕业设计Python+Django+Vue3微博数据舆情分析平台 微博用户画像系统 微博舆情可视化(源码+ 文档+PPT+讲解)
  • 前端开发10大框架深度解析
  • Mybatis 的关联映射（一对一，一对多，多对多）