[Pandas] 함수매핑1 : map, apply
본 포스팅은 pandas의 map과 apply메소드에 관한 내용을 정리하였습니다.
파이썬의 내장 함수에는 list와 같은 iterable객체의 각 원소를 매핑 함수에 대입하여 각 원소에 대하여 결과값을 출력하는 map함수가 존재한다. 이와 동일하게 pandas의 Series와 DataFrame객체에도 map, apply, applymap, 그리고 pipe와 같이 매핑을 위한 메소드들이 존재한다. 오늘은 이중 map과 apply 대해 정리해 보고자 한다.
map 메소드
여기서 설명하는 map메소드는 파이썬 내장 함수의 map과는 다르지만, 기능은 거의 비슷하다.
이 메소드는 Series 클래스 객체에서 이용 가능한 메소드이다.
따라서, DataFrame 객체에는 사용할 수 없다.
해당 함수의 기본 format 부터 간단히 짚고 가도록 하자.
1
[series 객체].map(arg)
arg: 매핑 함수
다음은 Series객체의 각 원소에 10을 곱하는 함수를 매핑하는 예제이다.
1
2
3
4
5
6
sr0 = pd.Series([1, 2, 3])
map_func = lambda x : x*10
mapped_sr = sr.map(map_func)
pd.DataFrame({'origin': sr, 'after_map': mapped_sr}) # 비교
1
2
3
4
origin after_map
0 1 10
1 2 20
2 3 30
apply 메소드
apply메소드는 Series객체와 DataFrame객체에 모두 존재한다.
Series에서의 apply는 위에서 확인한 map메소드와 동일한 기능을 수행하지만, map과 달리 함수에 별개의 인자를 전달할 수 있다는 큰 장점을 가진다.
물론 이는 DataFrame객체에서도 마찬가지이다.
apply 메소드 in Series
다음은 Series의 apply메소드의 기본 format이다.
1
[Series 객체].apply(mapping_func, args=(), **kwargs)
mapping_func: 매핑 함수args=(), **kwargs: 함수에 전달할 인자, 인자 전달 방식은 기본 함수와 동일하다.
따라서 unpackage, package, 그리고 key: value 방식 등 편한 방법으로 이용이 가능하다.
다음은 Series객체의 apply메소드 사용 예제이다.
map메소드를 보는 과정에서 대략적인 매핑함수 지정 및 선언 방법은 확인하였기에
예제에서는 함수에 인자를 전달하는 방법들에 관해서 초점을 두었다.
1
2
3
4
5
6
7
8
9
10
11
12
sr1 = pd.Series([1, 2, 3])
def apply_sr_func0(x, arg1, arg2):
return f'{x}, {arg1}, {arg2}'
print(sr1.apply(apply_sr_func0, args=(1, 3)), '\n')
print(sr1.apply(apply_sr_func0, arg1=1, arg2=3), '\n' )
def apply_sr_func1(x, **kwargs):
return f'{x}, ' + '{arg1}, {arg2}'.format(**kwargs)
print(sr1.apply(apply_sr_func1, arg1=1, arg2=3))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
0 1, 1, 3
1 2, 1, 3
2 3, 1, 3
dtype: object
0 1, 1, 3
1 2, 1, 3
2 3, 1, 3
dtype: object
0 1, 1, 3
1 2, 1, 3
2 3, 1, 3
dtype: object
apply 메소드 in DataFrame
DataFrame의 apply메소드의 기본 format은 다음과 같다.
1
[DataFrame 객체].apply(mapping_func, axis=0, result_type=None, args=(), **kwargs)
mapping_func: 매핑 함수axisaxis=0: 매핑 함수를 DataFrame의 각 column단위에 적용한다.
매핑 함수에 전달된 각 column의 리턴값은 Series형태로 반환되며,
모든 column에 대해서 반환된 Series가 최종적으로 DataFrame으로 통합되는 과정을 수행한다.axis=1: 매핑 함수를 DataFrame의 각 row단위에 적용한다.
매핑 함수에 각 row가 전달되며, DataFrame의 행 index가 Series의 index가 되고,
함수가 적용되어 리턴된 값은 Series의 value가 된다.
result_type- axis=1일 때, 즉 row단위에서만 매핑함수를 적용했을 때만 사용할 수 있는 옵션이다.
expand: 결과 column으로 반환하고 기존 DataFrame에 결과 column을 확장시킨다.broadcast: mapping된 결과를 기존 column 형식대로 확장한다.- 기본값은 None이다.
args=(), **kwargs: Series의 apply와 동일
When axis=0
DataFrame에 apply메소드의 axis=0일 때는 위에서 언급했듯이 column단위에 매핑 함수가 적용된다.
그리고, axis=0일 때, 매핑되는 함수가 반환되는 값에 따라서 apply메소드의 반환 타입이 다르다.
예를 들어, axis=0일 때, 매핑함수가 Series를 반환하는 경우에는 아래와 같이 DataFrame을 반환한다. 
1
2
3
4
5
6
7
8
9
10
test_df = pd.DataFrame([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]],
columns=['col1', 'col2', 'col3'],
index=['row1', 'row2', 'row3'])
axis0_df0 = test_df.apply(lambda x: x.isnull(), axis = 0)
print("\n[ 시리즈를 반환하는 함수를 매핑했을 때 ]")
print(axis0_df0)
1
2
3
4
5
[ 시리즈를 반환하는 함수를 매핑했을 때 ]
col1 col2 col3
row1 False False False
row2 False False False
row3 False False False
반면, 하나의 값을 반환하는 함수가 매핑함수에 사용될 경우에는 아래와 같이 Series를 반환한다. 
1
2
3
4
axis0_df1 = test_df.apply(np.sum, axis = 0)
print("\n[ 하나의 값을 반환하는 함수를 매핑했을 때 ]")
print(axis0_df1)
1
2
3
4
5
[ 하나의 값을 반환하는 함수를 매핑했을 때 ]
col1 12
col2 15
col3 18
dtype: int64
When axis=1
DataFrame의 apply메소드의 axis=1일 때는 row단위로 매핑함수가 적용된다. axis =1일 때, 시리즈를 반환하는 매핑함수를 사용할 경우에는 axis=0일 때와 큰 차이가 없다. 하지만, 하나의 값을 반환하는 매핑함수가 사용될 경우에는 각 행의 요소를 매핑함수에 전달하여 얻은 값이 행마다 리턴된다.
다음은 apply메소드가 axis=1일 때의 예제이다. 
1
2
3
4
5
6
7
8
9
test_df = pd.DataFrame([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]],
columns=['col1', 'col2', 'col3'],
index=['row1', 'row2', 'row3'])
axis1_df0 = test_df.apply(np.sum, axis = 1)
print(axis1_df0)
1
2
3
4
row1 6
row2 15
row3 24
dtype: int64
이제 return_type파라미터에 따른 결과를 확인해보도록 하자.
return_type=’expand’는 DataFrame의 column이 확장되는 케이스에서 활용하기에 매우 유용하다.
먼저, 다음 코드는 두 개의 반환 결과를 담고 있는 tuple에 대한 Series를 DataFrame으로 치환하여 원본 DataFrame에 추가하는 3단계의 과정을 수행한다.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
test_df = pd.DataFrame([[1, 2],
[4, 5],
[7, 8]],
columns=['col1', 'col2'],
index=['row1', 'row2', 'row3'])
def _add_mul(x, arg1, arg2):
return (x[arg1]+x[arg2], x[arg1]*x[arg2])
# Series반환
result_df = test_df.apply(_add_mul, axis = 1, args=('col1', 'col2'))
# 반환된 Series를 DataFrame으로 변환
result_df = pd.DataFrame([[a, b] for a, b in result_df.values],
columns = ['add', 'mul'], index = result_df.index)
# 변환시킨 DataFrame을 기존 DataFrame에 추가
result_df = pd.concat([test_df, result_df], axis = 1)
print(result_df)
1
2
3
4
col1 col2 add mul
row1 1 2 3 2
row2 4 5 9 20
row3 7 8 15 56
하지만, result_type에 ‘expand’를 사용하면 아래와 같이 간결하게 해결할 수 있다.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
test_df = pd.DataFrame([[1, 2],
[4, 5],
[7, 8]],
columns=['col1', 'col2'],
index=['row1', 'row2', 'row3'])
def _add_mul(x, arg1, arg2):
return (x[arg1]+x[arg2], x[arg1]*x[arg2])
test_df[['sum', 'mul']] = test_df.apply(_add_mul,
axis = 1, args=('col1', 'col2'),
result_type='expand')
print(test_df)
1
2
3
4
col1 col2 sum mul
row1 1 2 3 2
row2 4 5 9 20
row3 7 8 15 56
다음은 result_type이 'broadcast'로 지정된 경우이다.
해당 옵션을 지정했을 경우에는 매핑함수를 통해서 반드시 단일 결과로 이루어진 Series객체가 반환되어야한다.
그리고, 이렇게 반환된 Series는 원본 DataFrame의 열 형식대로 아래와 같이 확장된다.
1
2
3
4
5
6
7
8
9
test_df = pd.DataFrame([[1, 2],
[4, 5],
[7, 8]],
columns=['col1', 'col2'],
index=['row1', 'row2', 'row3'])
print('[ 원본 ]\n', test_df)
print()
print('[ broadcast apply 결과 ]\n', test_df.apply(np.sum, axis = 1, result_type = 'broadcast'))
1
2
3
4
5
6
7
8
9
10
11
[ 원본 ]
col1 col2
row1 1 2
row2 4 5
row3 7 8
[ broadcast apply 결과 ]
col1 col2
row1 3 3
row2 9 9
row3 15 15
References
- pandas doc : pandas.Series.map
- pandas doc : pandas.Series.apply
- pandas doc : pandas.DataFrame.apply
- 오승환, 『파이썬 머신러닝 판다스 데이터 분석』, 정보문화사 (2019)