1

Series.map(arg,na_action=None)

函数中的参数说明以下：

下面通过实例来说明pandas的map()的使用，演示的student数据集如下：

1
2
3
4

import numpy as np
import pandas as pd
df = pd.read_excel('D:\\Python\\study\\pythontest\\pandastest\\数据集\\student.xlsx')
df

1
2
3

gender_map={1:'男',2:'女'}
df['性别']=df['性别'].map(gender_map)
df

可以看到通过map()将需要转换的列的值进行的转换，具体的转换过程如下图所示：

以前文章中介绍了处理缺失值用fillna的方式来填充缺失值，用replace则提供了一种更加简单、灵活的处理缺失值或异常值的方式。
如在数据集中有一个数据列“是否接种”，这里的值有“已”、“是”、“否”、NaN，实际是在收集统计表格的时候大家填的数据不一致，不标准。现在需要将“已”的全部改成“是”，NaN没有填的改成“否”

1

df.replace(['已',np.nan],['是','否'])

但是用 df.query('6-英语 >95') 就会报列名没有定义的错，因为’6-英语’列名不是有效的Python变量名。

这时候就需要将列名重命名为有效的Python变量名，有效的Python变量名应该是只能_，数字，字母组成，不可以是空格或者特殊字符(!@#$%^&*~)，不能是数字开头，不能有中文。我们将“6-英语”的列名重命名为“english”。注意带上inplace=True参数用于更新作用于本数据集，而不是返回一个新的数据集。

1
2

df.rename(columns={'6-英语':'english'},inplace=True)
df.query('english > 95')

可以看到“6-英语”列名改成了“english”，并且df.query(‘english > 95’)不报错，可以正常检索出数据了。
更多的，如果要重命名多个列，可以传入一个需要重命名的多个字典值，进行多个列的重命名。

1

df[['1-学号','2-姓名','3-年龄']].rename(columns={'1-学号':'ID','2-姓名':'name','3-年龄':'age'})

如果需要重命名行索引，可以通过df.rename(index={‘原索引’:’重命名索引’})的方式进行重命名。

至此，本文通过几个实例介绍了pandas常用的数据转换工具映射map()、替换replace()、重命名rename()