HOWTO · Pandas
map de Pandas Python
Ce tutoriel explique comment nous pouvons remplacer les valeurs d'une série de pandas par une autre valeur en utilisant la méthode Series.map().
Sur cette page
Series.map() transforme chaque valeur d’une Series pandas et renvoie une nouvelle Series. L’objet renvoyé conserve l’index d’entrée : le mappage modifie donc les valeurs, et non les libellés de l’index. Utilisez cette méthode avec une fonction, une recherche de type dictionnaire ou une autre Series ; consultez la référence de Series.map() pour les détails complets de l’API.
Comment Series.map() transforme les valeurs
L’argument détermine la manière dont chaque valeur d’entrée est transformée. Une fonction reçoit chaque valeur ; un dictionnaire utilise les valeurs d’entrée comme clés ; une Series de correspondance utilise son index comme clés de recherche et ses valeurs comme remplacements. Le résultat conserve l’index de la Series transformée, même lorsqu’une recherche ne trouve aucune correspondance. Les valeurs transformées restent ainsi alignées sur les lignes d’origine. L’appel ne modifie pas la Series d’entrée : stockez la valeur renvoyée ou affectez-la là où vous avez besoin des données transformées. Le type du résultat dépend des valeurs obtenues ; une recherche qui introduit des valeurs manquantes ou renvoie des chaînes peut donc produire un type différent de celui de l’entrée.
Choisir une fonction de mappage, un dictionnaire ou une Series
Utilisez une fonction pour appliquer une règle, un dictionnaire pour une table de correspondance fixe, ou une Series lorsque la table est déjà stockée sous forme de données étiquetées. Une clé de dictionnaire sans entrée correspondante produit une valeur manquante. Avec une Series de correspondance, la recherche s’effectue dans son index, et non dans ses valeurs.
Gérer les valeurs manquantes avec na_action
Par défaut, une fonction s’applique également aux valeurs manquantes, ce qui peut poser problème pour des opérations comme l’appel à .upper(). Définissez na_action="ignore" pour laisser inchangée une valeur d’entrée manquante tout en transformant les autres valeurs. Cette option ne supprime pas les lignes manquantes. Une valeur sans correspondance dans un dictionnaire ou une Series devient elle aussi manquante, même si la valeur d’entrée était présente.
Mapper une colonne de DataFrame
La sélection d’une colonne dans un DataFrame renvoie une Series : vous pouvez donc appeler map() sur cette colonne, puis réaffecter la Series renvoyée. Les autres colonnes restent inchangées. Comme l’affectation aligne les données par index, la Series renvoyée conserve les libellés de ligne de la colonne sélectionnée.
Exécuter et vérifier les exemples
Installez pandas dans votre environnement Python avant d’exécuter cet exemple autonome. Il affiche chaque résultat de mappage pour que vous puissiez examiner localement les valeurs et les index. La sortie ci-dessous est le résultat capturé pour ce code. Les libellés visibles dans le code et la sortie restent en anglais, car ces blocs sont conservés à l’identique.
Exécutez cet exemple :
import pandas as pd
scores = pd.Series([85, 87, 90], index=["a", "b", "c"])
print("Callable:")
print(scores.map(lambda value: value + 5))
labels = {85: "pass", 90: "excellent"}
print("Dictionary:")
print(scores.map(labels))
label_table = pd.Series({85: "pass", 87: "review", 90: "excellent"})
print("Series lookup:")
print(scores.map(label_table))
names = pd.Series(["ada", pd.NA, "lin"])
print("Ignore missing values:")
print(names.map(lambda value: value.upper(), na_action="ignore"))
table = pd.DataFrame({"score": [85, 90], "student": ["Ada", "Lin"]}, index=["a", "b"])
table["grade"] = table["score"].map({85: "pass", 90: "excellent"})
print("Mapped DataFrame column:")
print(table)
Callable:
a 90
b 92
c 95
dtype: int64
Dictionary:
a pass
b NaN
c excellent
dtype: str
Series lookup:
a pass
b review
c excellent
dtype: str
Ignore missing values:
0 ADA
1 NaN
2 LIN
dtype: str
Mapped DataFrame column:
score student grade
a 85 Ada pass
b 90 Lin excellent