在用pandas预处理数据时，难免需要自己构造一些有价值的数据，applymap函数和map函数对于处理此类问题十分方便。

给定一个DataFrame，含有每个学生的第一次考试和第二次考试的成绩，现在让你将分数转化成ABCD和 ‘ 不及格 ’ 等级。

首先来看DataFrame中的applymap函数：数据参考自

grades_df = pd.DataFrame(data={'exam1': [43, 81, 78, 75, 89, 70, 91, 65, 98, 87],'exam2': [24, 63, 56, 56, 67, 51, 79, 46, 72, 60]},index=['Andre', 'Barry', 'Chris', 'Dan', 'Emilio', 'Fred', 'Greta', 'Humbert', 'Ivan', 'James']
)def convert_to_letter(score):if (score >= 90):return 'A'elif (score >= 80):return 'B'elif (score >= 70):return 'C'elif (score >= 60):return 'D'else:return '不及格'def convert_grades(grades):return grades.applymap(convert_to_letter)print (convert_grades(grades_df))输出如下：exam1 exam2
Andre     不及格   不及格
Barry       B     D
Chris       C   不及格
Dan         C   不及格
Emilio      B     D
Fred        C   不及格
Greta       A     C
Humbert     D   不及格
Ivan        A     C
James       B     D

 

针对Series类型数据或者是DataFrame类型数据中的某一列，使用map函数而不是applymap函数

样例1：

给定data数据集，让你对 ‘ 是否入党 ’  这一列，进行维护。原数据集里面，是年份或空值（NaN），但是我们不关心年份的多少，我们只关心是否入党，所以我们要将这一列替换成0或者1.

#是否入党
data["join_party"]=data["join_party"].map(lambda x:0 if pd.isnull(x)  else 1)

其中lambda是匿名函数，意思是如果这一行的'join_party'这一列是控制的话则变成0，否则变成1，x可以理解成传入的参数。

样例2：

利用data数据集中的‘birth’这一列（每一个数据都是年份），新生成一列'birth_s'，代表年代。

#出生的年代
def birth_split(x):if 1920<=x<=1930:return 0elif  1930<x<=1940:return 1elif  1940<x<=1950:return 2elif  1950<x<=1960:return 3elif  1960<x<=1970:return 4elif  1970<x<=1980:return 5elif  1980<x<=1990:return 6elif  1990<x<=2000:return 7data["birth_s"]=data["birth"].map(birth_split)

样例3：

将收入进行分组，新增一列‘income_cut’来代表几个工资段：

#收入分组
def income_cut(x):if x<0:return 0elif  0<=x<1200:return 1elif  1200<x<=10000:return 2elif  10000<x<24000:return 3elif  24000<x<40000:return 4elif  40000<=x:return 5data["income_cut"]=data["income"].map(income_cut)