map, apply, transform

전체 링크

 

---

map

사용 대상 : Series

용도: 각 원소를 함수 적용 또는 매핑으로 변환

 

특징

- 함수 적용 가능 (lambda x: x**2)

- dict나 Series로 매핑 가능

- 매핑 대상에 없는 값은 NaN 처리

import pandas as pd
import pandas as np

df = pd.DataFrame({
    'group': ['A','A','B','B'],
    'value': [10, 20, 30, 40]
})

df['group'].map({'A':'a'})
'''
0      a
1      a
2    NaN
3    NaN
Name: group, dtype: object
'''

 

참고 (vs replace)

- 값 그대로 치환, 없으면 원래 값 유지, regex 지원

df['group'].replace({'A':'a'})
'''
0    a
1    a
2    B
3    B
Name: group, dtype: object
'''

---

apply

사용 대상 : Series 또는 DataFrame

기능 : 각 원소, 행(row), 열(column)에 함수 적용 가능

반환 형태 : Series 또는 DataFrame

 

특징

- 더 유연, axis 지정 가능 (DataFrame의 경우)

 

행 / 열 별로 데이터 처리

import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [10, 20, 30]
})

# 열 단위 합
df.apply(sum, axis=0)
# A     6
# B    60
# dtype: int64

# 행 단위 합
df.apply(sum, axis=1)
# 0    11
# 1    22
# 2    33
# dtype: int64

# element-wise
df['A'].apply(lambda x: x**2)
# 0    1
# 1    4
# 2    9
# dtype: int64

# keyword argument
df[['A', 'B']].apply(lambda x, y: x < y, y=5)
#       A      B
# 0  True  False
# 1  True  False
# 2  True  False

 

apply로 2개의 컬럼 추가하기

import pandas as pd

df = pd.DataFrame({
    'a': [1, 2, 3],
    'b': [10, 20, 30]
})

def make_new_cols(row, k):
    return pd.Series({'sum': row['a'] + row['b'] + k, 'diff': row['b'] - row['a'] + k})

df[['sum', 'diff']] = df.apply(lambda row: make_new_cols(row, k=5), axis=1)

df

 

* applymap : 각 셀에 동일 연산을 적용 (ex. df.applymap(str) : 모든 값을 문자열로 변환)

---

transform

사용 대상 : Series 또는 DataFrame, 주로 groupby 후

기능 : 원본의 인덱스/행 수 유지하면서 값 변환

반환 형태 : Series 또는 DataFrame (원본 shape 유지)

 

특징 

- 그룹별 연산 후 원래 구조 유지 가능 → groupby + apply와 달리 브로드캐스트 가능

df = pd.DataFrame({
    'group': ['A','A','B','B'],
    'value': [10, 20, 30, 40]
})

# 그룹별 평균을 각 행에 적용
df['group_mean'] = df.groupby('group')['value'].transform('mean')
#    group  value  group_mean
# 0     A     10        15.0
# 1     A     20        15.0
# 2     B     30        35.0
# 3     B     40        35.0

# apply는 broadcast 불가
# df.groupby('group')['value'].apply(lambda x : x.mean())
# group
# A    15.0
# B    35.0

 

그룹별 unique한 컬럼 개수 구하기

import pandas as pd
import numpy as np

# 랜덤 시드 고정 (재현 가능)
np.random.seed(42)

# 데이터 생성
df = pd.DataFrame({
    'group': np.random.choice(['A', 'B', 'C'], size=30),
    'age': np.random.randint(10, 15, size=30)
})

df.groupby('group')['age'].nunique()
'''
group
A    3
B    4
C    5
'''

df.groupby('group')['age'].transform("nunique")

 

그룹별 unique한 컬럼 개수 구하기 (결측치도 값으로 처리하기)

import pandas as pd

df = pd.DataFrame({
    "category": ["A", "A", "A", "B", "B", "B", "C"],
    "value": [1, 1, None, 2, None, 3, None]
})

df["unique_count_no_na"] 
    = df.groupby("category")["value"].transform(lambda x: x.nunique(dropna=False))
    
df