[Pandas] apply / map

정의

• Series.map(func) : 각 원소 에 함수 적용 (또는 dict 매핑)
• Series.apply(func) : 각 원소 에 함수 적용 (map 과 유사)
• DataFrame.apply(func, axis=) : 각 행/열 에 함수 적용
• DataFrame.map(func) (pandas 2.1+) : 각 셀 에 함수 적용 (구 applymap)

Series.map (가장 흔함)

s.map({'A': 1, 'B': 2, 'C': 3})        # dict 매핑
s.map(lambda x: x * 2)                  # 함수
s.map(some_func)

import pandas as pd
s = pd.Series(['cat', 'dog', 'bird', 'cat'])
mapping = {'cat': '고양이', 'dog': '강아지', 'bird': '새'}
print(s.map(mapping).tolist())

['고양이', '강아지', '새', '고양이']

Series.apply

s.apply(lambda x: x ** 2)              # 같은 길이의 Series
s.apply(some_func)

map 과 거의 같지만 apply 는 함수에 추가 인자를 줄 수 있다.

s.apply(round, ndigits=2)

DataFrame.apply (행/열 단위)

df.apply(sum, axis=0)        # 각 열에 sum (default)
df.apply(sum, axis=1)        # 각 행에 sum

# 행 단위 람다
df.apply(lambda r: r['a'] + r['b'], axis=1)

import pandas as pd
df = pd.DataFrame({'a': [1,2,3], 'b': [10,20,30]})
print(df.apply(sum))                    # 각 열
print('---')
print(df.apply(lambda r: r['a']+r['b'], axis=1))    # 각 행

a     6
b    60
dtype: int64
---
0    11
1    22
2    33
dtype: int64

DataFrame.map (셀 단위, pandas 2.1+)

df.map(lambda x: x * 2)        # 모든 셀에 x*2
df.map(str)                     # 모든 셀을 str 으로

구 applymap 의 새 이름.

벡터 연산이 항상 우선

# ❌ apply (행마다 호출, 느림)
df['c'] = df.apply(lambda r: r['a'] + r['b'], axis=1)

# ✓ 벡터 연산 (수십~수백 배 빠름)
df['c'] = df['a'] + df['b']

np.where 패턴

import numpy as np
# ❌ apply
df['cat'] = df['age'].apply(lambda x: 'adult' if x >= 18 else 'minor')

# ✓ np.where
df['cat'] = np.where(df['age'] >= 18, 'adult', 'minor')

# 더 많은 분기: np.select
conditions = [df['age'] < 13, df['age'] < 20, df['age'] < 65]
choices = ['child', 'teen', 'adult']
df['cat'] = np.select(conditions, choices, default='senior')

map vs apply 차이

함정

1. apply 의 속도

# 1000 행 × 10 컬럼 → 10000 호출
df.apply(complex_function, axis=1)    # 수초
df.map(complex_function)              # 더 느림 (셀마다)
# 벡터화 가능하면 그게 훨씬 빠름

2. axis 0 vs 1 의 의미

df.apply(fn, axis=0)    # 각 열에 fn (default)
df.apply(fn, axis=1)    # 각 행에 fn

axis=0 은 “행을 collapse” → 결과는 컬럼별. axis=1 은 “열을 collapse” → 결과는 행별. 헷갈리기 쉽다.

3. 결과 타입 추론

result = df.apply(some_func, axis=1)
# 함수 반환이 scalar 면 Series, dict/Series 면 DataFrame

복잡한 함수의 결과 타입은 일정하지 않을 수 있음.

참고

• Pandas Series
• Pandas DataFrame
• Pandas transform / apply