[Pandas 기초] 함수 매핑(mapping)
업데이트:
함수 매핑(mapping)
함수 매핑이란 시리즈나 데이터프레임의 개별 원소를 특정 함수에 일대일 대응시키는 과정을 의미한다. 사용자가 직접 만든 함수(lambda함수 포함)를 적용헐 수 있기 때문에 for문문이나 기본 함수로 처리하는 것보다 훨씬 효율적인 장점이 있다.
1. 개별 원소에 함수 매핑
1-1.Series객체.apply() 함수
이 함수는 시리즈 객체의 개별원소에 함수를 적용할때 사용한다.
seaborn라이브러리의 타이타닉 데이터를 불러와서 age열과 fare열만 인덱싱 한 후 ten이라는 열에 10을 넣어보자.
import seaborn as sns
titanic = sns.load_dataset('titanic')
df = titanic.loc[:, ['age','fare']]
df['ten'] = 10
df.head()
| age | fare | ten | |
|---|---|---|---|
| 0 | 22.0 | 7.2500 | 10 |
| 1 | 38.0 | 71.2833 | 10 |
| 2 | 26.0 | 7.9250 | 10 |
| 3 | 35.0 | 53.1000 | 10 |
| 4 | 35.0 | 8.0500 | 10 |
그리고 두가지 사용자함수를 정의해보자
def add_10(n):
return n + 10 # 10을 더해주는 함수
def add_two_obj(a,b):
return a + b # a와 b를 더해주는 함수
print(add_n(10))
print(add_two_obj(10,10))
[Output]
20
20
이제 이 함수들을 apply()함수를 이용해 시리즈객체(age열)의 개별원소에 적용시켜보자
sr1 = df['age'].apply(add_10) # age의 모든 원소 + 10
print(sr1.head())
print('\n')
sr2 = df['age'].apply(add_two_obj, b=10) # a는 age의 모든 원소, b=10
print(sr2.head())
print('\n')
sr3 = df['age'].apply(lambda x: add_n(x)) # lambda함수 활용
print(sr3.head())
[Output]
0 32.0
1 48.0
2 36.0
3 45.0
4 45.0
Name: age, dtype: float64
0 32.0
1 48.0
2 36.0
3 45.0
4 45.0
Name: age, dtype: float64
0 32.0
1 48.0
2 36.0
3 45.0
4 45.0
Name: age, dtype: float64
1-2. DataFrame객체.applymap() 함수
이 함수는 데이터프레임의 개별원소에 함수를 적용할때 사용한다.
df_map = df.applymap(add_10) #데이터프레임의 모든 원소에 함수를 적용해줌
print(df_map.head())
[Output]
age fare
0 32.0 17.2500
1 48.0 81.2833
2 36.0 17.9250
3 45.0 63.1000
4 45.0 18.0500
2. 시리즈 객체에 함수 매핑
2-1. DataFrame객체.apply(매핑함수, axis = ) 함수
데이터프레임의 열 또는 행에 대해 함수를 적용시키고 싶다면, apply함수를 적용하면 된다.
이번에는 결측값을 확인하는 사용자 함수를 정의해보자
def missing_value(series):
return series.isnull()
이제 이 함수를 데이터프레임의 열(axis=1)에 매핑해보자
result = df.apply(missing_value, axis = 1)
print(result.head())
print('\n')
print(type(result))
[Output]
age fare
0 False False
1 False False
2 False False
3 False False
4 False False
<class 'pandas.core.frame.DataFrame'>
이번에는 최대값에서 최소값을 뺀 값을 반환하는 사용자함수를 정의한다.
def min_max(x):
return x.max() - x.min()
이 함수를 데이터프레임에 행(axis=0), 열(axis=1)에 대하여 연산을 해보자.
result = df.apply(min_max, axis = 0)
result1 = df.apply(min_max, axis = 1)
print(df.head())
print('\n')
print(result.head())
print('\n')
print(result1.head())
[Output]
age fare
0 22.0 7.2500
1 38.0 71.2833
2 26.0 7.9250
3 35.0 53.1000
4 35.0 8.0500
age 79.5800
fare 512.3292
dtype: float64
0 14.7500
1 33.2833
2 18.0750
3 18.1000
4 26.9500
dtype: float64
axis옵션이 나는 초반에 많이 헷갈렸다. 헷갈리는 부분을 정리해보면 다음과 같다.
axis = 0: (생략가능), 위아래(각 행들의 연산), 열에 대한 결과
axis = 1(생략불가) 양옆(각 열들의 연산), 행에 대한 결과
데이터프레임에서 apply객체의 원리를 lambda함수로 확인을 해보면 x자체는 데이터프레임 임을 알 수 있다.
아래에서 x(df)의 열(age,ten)에 대해 연산을 한 결과를 확인하자
def add_two_obj(a, b):
return a + b
df['add'] = df.apply(lambda x: add_two_obj(x['age'],x['ten']), axis = 1)
print(df.head())
[Output]
age fare ten
0 22.0 7.2500 10
1 38.0 71.2833 10
2 26.0 7.9250 10
3 35.0 53.1000 10
4 35.0 8.0500 10
age fare ten add
0 22.0 7.2500 10 32.0
1 38.0 71.2833 10 48.0
2 26.0 7.9250 10 36.0
3 35.0 53.1000 10 45.0
4 35.0 8.0500 10 45.0
3. 데이터프레임 객체에 함수 매핑
3-1. DataFrame객체.pipe() 함수
pipe()함수는 데이터프레임객체에 바로 적용시키는 함수로, 입력인자를 들어가는 매핑함수의 반환형태를 그대로 따라서 값을 반환해준다.
import seaborn as sns
titanic = sns.load_dataset('titanic')
df = titanic.loc[:, ['age','fare']]
# 사용자 정의함수
def missing_value(x):
return x.isnull()
def missing_count(x):
return missing_value(x).sum()
def total_number_missing(x):
return missing_count(x).sum()
순차적으로 적용
result_df = df.pipe(missing_value)
print(result_df.head())
print(type(result_df))
print('\n')
result_sr = df.pipe(missing_count)
print(result_sr.head())
print(type(result_sr))
print('\n')
result_value = df.pipe(total_number_missing)
print(result_value)
print(type(result_value))
[Output]
age fare
0 False False
1 False False
2 False False
3 False False
4 False False
<class 'pandas.core.frame.DataFrame'>
age 177
fare 0
dtype: int64
<class 'pandas.core.series.Series'>
177
<class 'numpy.int64'>
Reference
도서 [파이썬 머신러닝 판다스 데이터 분석]을 공부하며 작성하였습니다.
댓글남기기