比较[map](https://pandas.pydata.org/pandas-

docs/stable/reference/api/pandas.Series.map.html),applymap和apply: 上下文很重要

第一个主要区别： 定义

• map仅在系列上定义
• applymap仅在 DataFrames 上定义
• apply两者都定义

第二个主要区别： 输入参数

• map接受dicts Series、 或 callable
• applymap并apply仅接受可调用对象

第三个主要区别： 行为

• map是元素级的系列
• applymap对于 DataFrames 是 elementwise
• apply也可以按元素工作，但适用于更复杂的操作和聚合。行为和返回值取决于函数。

第四大区别（最重要的一个）： USE CASE

• map用于将值从一个域映射到另一个域，因此针对性能进行了优化（例如，df['A'].map({1:'a', 2:'b', 3:'c'})）
• applymap适用于跨多行/多列的元素转换（例如，df[['A', 'B', 'C']].applymap(str.strip)）
• apply用于应用任何无法矢量化的函数（例如df['sentences'].apply(nltk.sent_tokenize)）。

另请参阅我何时应该（不）想在我的代码中使用 pandasapply()？在一篇文章中，我在最适合使用的场景上做了一段时间apply（请注意，数量不多，但有一些——应用通常 很慢 ）。

总结

脚注

1. map当传递一个字典/系列时，将根据该字典/系列中的键映射元素。缺失值将在输出中记录为 NaN。

2.
applymap在最近的版本中已针对某些操作进行了优化。您会发现applymap比apply某些情况下要快一些。我的建议是测试它们并使用更好的方法。

1. map针对元素映射和转换进行了优化。涉及字典或系列的操作将使 pandas 能够使用更快的代码路径以获得更好的性能。

2. Series.apply返回用于聚合操作的标量，否则返回
   Series。同样对于DataFrame.apply。请注意，apply当使用某些 NumPy 函数（例如 、
   等）调用时，它也有快速mean路径 sum。