Pandas apply / map / applymap

apply、map、applymap は Pandas でデータ変換に使用される3大関数であり、DataFrame や Series に対して柔軟な要素ごとの操作や一括操作を行うことができます。

Series.map

mapSeries のメソッドで、Series の各要素を変換するために使用されます。

基本的な使い方

実例

import pandas as pd

# Series を作成
s = pd.Series([1, 2, 3, 4, 5])

print("元のデータ：")
print(s)
print()

# 関数を使用
print("各要素 * 2：")
print(s.map(lambda x: x * 2))
print()

# 辞書マッピングを使用
mapping = {1: "A", 2: "B", 3: "C", 4: "D", 5: "E"}
print("辞書マッピングを使用：")
print(s.map(mapping))
print()

# Series マッピングを使用
mapping_series = pd.Series(["A", "B", "C", "D", "E"], index=[1, 2, 3, 4, 5])
print("Series マッピングを使用：")
print(s.map(mapping_series))

欠損値の処理

実例

import pandas as pd
import numpy as np

s = pd.Series([1, 2, np.nan, 4, 5])

print("NaN を含む：")
print(s)
print()

# map はデフォルトで NaN をスキップ
print("map 処理（NaN をスキップ）：")
print(s.map(lambda x: x * 2 if pd.notna(x) else -1))

DataFrame.applymap

applymapは DataFrame のメソッドで、各要素ごとに関数を適用します（注意：Pandas 2.0+ では、DataFrame.mapmap で代替することを推奨）。

実例

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "A": [1, 2, 3],
    "B": [4, 5, 6],
    "C": [7, 8, 9]
})

print("元のデータ：")
print(df)
print()

# 各要素に2を掛ける
print("各要素 * 2：")
print(df.applymap(lambda x: x * 2))
print()

# 小数第2位まで保持
print("小数第2位まで保持：")
print(df.applymap(lambda x: round(x, 2)))

applymap は要素ごとの操作のため、大規模データでは遅くなる可能性があります。数値列のみを操作する場合は、ベクトル化操作または apply と axis パラメータの併用を検討してください。

DataFrame.apply

applyは最も柔軟なメソッドで、軸に沿って関数を適用できます。

列ごとに適用

実例

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "A": [1, 2, 3, 4, 5],
    "B": [10, 20, 30, 40, 50],
    "C": [100, 200, 300, 400, 500]
})

print("元のデータ：")
print(df)
print()

# デフォルトは axis=0、列ごとに適用
print("各列の合計：")
print(df.apply(sum))
print()

print("各列の最大値：")
print(df.apply(max))

行ごとに適用

実例

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "A": [1, 2, 3],
    "B": [10, 20, 30],
    "C": [100, 200, 300]
})

print("元のデータ：")
print(df)
print()

# axis=1、行ごとに適用
print("各行の合計：")
print(df.apply(sum, axis=1))
print()

# 各行の最大値 - 最小値
print("各行のレンジ：")
print(df.apply(lambda x: x.max() - x.min(), axis=1))

aggfunc を使用した集約

実例

import pandas as pd
import numpy as np

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

# 複数の関数を同時に適用
print("合計と平均を同時に計算：")
print(df.apply([sum, np.mean]))
print()

# 複数の値を返す
result = df.apply(lambda x: pd.Series({
    "sum": x.sum(),
    "mean": x.mean(),
    "max": x.max()
}, index=["sum", "mean", "max"]))

print("複数の値を返す：")
print(result)

Series.apply

Series でも apply を使用できます。機能は map に似ていますが、より柔軟です。

実例

import pandas as pd
import numpy as np

s = pd.Series([1, 4, 9, 16, 25])

print("元のデータ：")
print(s)
print()

# 平方根を計算
print("平方根：")
print(s.apply(np.sqrt))
print()

# 条件による返却
print("条件判断：")
print(s.apply(lambda x: "大" if x > 10 else "小"))

性能比較

実例

import pandas as pd
import numpy as np
import time

# 大規模データを作成
n = 100000
s = pd.Series(np.random.randn(n))

# map と apply をテスト
func = lambda x: x * 2 + 1

start = time.time()
result1 = s.map(func)
map_time = time.time() - start

start = time.time()
result2 = s.apply(func)
apply_time = time.time() - start

# ベクトル化（最速）
start = time.time()
result3 = s * 2 + 1
vec_time = time.time() - start

print(f"map 所要時間: {map_time:.4f}s")
print(f"apply 所要時間: {apply_time:.4f}s")
print(f"ベクトル化所要時間: {vec_time:.4f}s")

print("\n結論：ベクトル化操作を優先的に使用し、性能が最良です")

実践：データ変換

実例

import pandas as pd
import numpy as np

# サンプル DataFrame を作成
df = pd.DataFrame({
    "氏名": ["張三", "李四", "王五", "趙六"],
    "年齢": [25, 30, 28, 35],
    "給与": [12000, 15000, 11000, 18000],
    "部門": ["技術", "営業", "技術", "運営"]
})

print("元のデータ：")
print(df)
print()

# apply を使用して行レベルの計算を行う
def calculate(row):
    """年収と税引き後給与を計算します"""
    annual = row["給与"] * 12
    tax = annual * 0.1 if annual > 120000 else annual * 0.05
    after_tax = annual - tax
    return pd.Series({
        "年収": annual,
        "税金": tax,
        "税引き後": after_tax
    })

result = df.apply(calculate, axis=1)
df_result = pd.concat([df, result], axis=1)

print("計算結果：")
print(df_result)

3つの関数の使い分け

方法 適用対象 使用シーン 性能
map Series 要素レベルの変換、辞書マッピング 快
applymap DataFrame 要素レベルの変換（非数値列） 慢
apply Series/DataFrame 行・列の集約、カスタム関数 中

ベクトル化操作（演算子を直接使用）が可能な場合は apply/map を使用せず、map を使用できる場合は apply を使用しないでください。

その他の拡張