Εκμάθηση του Pandas: Μια σε βάθος ανάλυση στις προσαρμοσμένες συναρτήσεις με τις apply(), map() και applymap()

Στον κόσμο της επιστήμης και της ανάλυσης δεδομένων, η βιβλιοθήκη Pandas της Python είναι ένα απαραίτητο εργαλείο. Παρέχει ισχυρές, ευέλικτες και αποδοτικές δομές δεδομένων που έχουν σχεδιαστεί για να κάνουν την εργασία με δομημένα δεδομένα εύκολη και διαισθητική. Ενώ το Pandas έρχεται με ένα πλούσιο σύνολο ενσωματωμένων συναρτήσεων για συγκέντρωση, φιλτράρισμα και μετασχηματισμό, έρχεται μια στιγμή στο ταξίδι κάθε επαγγελματία δεδομένων που αυτά δεν αρκούν. Πρέπει να εφαρμόσετε τη δική σας προσαρμοσμένη λογική, έναν μοναδικό επιχειρηματικό κανόνα ή έναν σύνθετο μετασχηματισμό που δεν είναι άμεσα διαθέσιμος.

Εδώ είναι που η ικανότητα εφαρμογής προσαρμοσμένων συναρτήσεων γίνεται υπερδύναμη. Ωστόσο, το Pandas προσφέρει διάφορους τρόπους για να το επιτύχετε αυτό, κυρίως μέσω των μεθόδων apply(), map() και applymap(). Για τον νεοεισερχόμενο, αυτές οι συναρτήσεις μπορεί να φαίνονται παραπλανητικά παρόμοιες. Ποια πρέπει να χρησιμοποιήσετε; Πότε; Και ποιες είναι οι επιπτώσεις στην απόδοση της επιλογής σας;

Αυτός ο περιεκτικός οδηγός θα απομυθοποιήσει αυτές τις ισχυρές μεθόδους. Θα εξερευνήσουμε κάθε μία λεπτομερώς, θα κατανοήσουμε τις συγκεκριμένες περιπτώσεις χρήσης τους και, το πιο σημαντικό, θα μάθουμε πώς να επιλέγουμε το σωστό εργαλείο για τη δουλειά, ώστε να γράφουμε καθαρό, αποδοτικό και ευανάγνωστο κώδικα Pandas. Θα καλύψουμε:

• Η μέθοδος map(): Ιδανική για μετασχηματισμό στοιχείων σε μια μεμονωμένη Σειρά.
• Η μέθοδος apply(): Ο ευέλικτος εργάτης για λειτουργίες ανά σειρά ή ανά στήλη σε ένα DataFrame.
• Η μέθοδος applymap(): Ο ειδικός για λειτουργίες στοιχείων σε ολόκληρο το DataFrame.
• Θέματα απόδοσης: Η κρίσιμη διαφορά μεταξύ αυτών των μεθόδων και της πραγματικής διανυσματοποίησης.
• Βέλτιστες πρακτικές: Ένα πλαίσιο λήψης αποφάσεων που θα σας βοηθήσει να επιλέξετε την πιο αποδοτική μέθοδο κάθε φορά.

Ρύθμιση της σκηνής: Το δείγμα συνόλου δεδομένων μας

Για να κάνουμε τα παραδείγματά μας πρακτικά και σαφή, ας δουλέψουμε με ένα συνεπές, παγκοσμίως σχετικό σύνολο δεδομένων. Θα δημιουργήσουμε ένα δείγμα DataFrame που αντιπροσωπεύει δεδομένα διαδικτυακών πωλήσεων από μια φανταστική διεθνή εταιρεία ηλεκτρονικού εμπορίου.

            import pandas as pd
import numpy as np

data = {
    'OrderID': [1001, 1002, 1003, 1004, 1005, 1006, 1007, 1008],
    'Product': ['Laptop', 'Mouse', 'Keyboard', 'Monitor', 'Webcam', 'Headphones', 'Docking Station', 'Mouse'],
    'Category': ['Electronics', 'Accessories', 'Accessories', 'Electronics', 'Accessories', 'Audio', 'Electronics', 'Accessories'],
    'Price_USD': [1200, 25, 75, 300, 50, 150, 250, 30],
    'Quantity': [1, 2, 1, 2, 1, 1, 1, 3],
    'Country': ['USA', 'Canada', 'USA', 'Germany', 'Japan', 'Canada', 'Germany', np.nan]
}

df = pd.DataFrame(data)

print(df)

            

              
                Copy
              
            
          

Αυτό το DataFrame μας δίνει ένα ωραίο μείγμα τύπων δεδομένων (αριθμητικό, συμβολοσειρά και ακόμη και μια τιμή που λείπει) για να επιδείξουμε τις πλήρεις δυνατότητες των συναρτήσεων στόχου μας.

Η μέθοδος `map()`: Μετασχηματισμός στοιχείων για μια Σειρά

Τι είναι το `map()`?

Η μέθοδος map() είναι το εξειδικευμένο εργαλείο σας για την τροποποίηση τιμών μέσα σε μια μεμονωμένη στήλη (ένα Pandas Series). Λειτουργεί σε στοιχείο προς στοιχείο. Σκεφτείτε το σαν να λέτε, "Για κάθε στοιχείο σε αυτήν τη στήλη, αναζητήστε το σε ένα λεξικό ή περάστε το μέσω αυτής της συνάρτησης και αντικαταστήστε το με το αποτέλεσμα."

Χρησιμοποιείται κυρίως για δύο εργασίες:

1. Αντικατάσταση τιμών βάσει λεξικού (μιας αντιστοίχισης).
2. Εφαρμογή μιας απλής συνάρτησης σε κάθε στοιχείο.

Περίπτωση χρήσης 1: Αντιστοίχιση τιμών με ένα λεξικό

Αυτή είναι η πιο κοινή και αποτελεσματική χρήση του map(). Φανταστείτε ότι θέλουμε να δημιουργήσουμε μια ευρύτερη στήλη 'Department' με βάση τη στήλη 'Category'. Μπορούμε να ορίσουμε μια αντιστοίχιση σε ένα λεξικό Python και να χρησιμοποιήσουμε το map() για να την εφαρμόσουμε.

            category_to_department = {
    'Electronics': 'Technology',
    'Accessories': 'Peripherals',
    'Audio': 'Technology'
}

df['Department'] = df['Category'].map(category_to_department)

print(df[['Category', 'Department']])

            

              
                Copy
              
            
          

Έξοδος:

                  Category   Department
0  Electronics   Technology
1  Accessories  Peripherals
2  Accessories  Peripherals
3  Electronics   Technology
4  Accessories  Peripherals
5        Audio   Technology
6  Electronics   Technology
7  Accessories  Peripherals

            

              
                Copy
              
            
          

Παρατηρήστε πόσο κομψά λειτουργεί αυτό. Κάθε τιμή στη Σειρά 'Category' αναζητείται στο λεξικό category_to_department και η αντίστοιχη τιμή χρησιμοποιείται για τη συμπλήρωση της νέας στήλης 'Department'. Εάν ένα κλειδί δεν βρεθεί στο λεξικό, το map() θα παράγει μια τιμή NaN (Όχι Αριθμός), η οποία είναι συχνά η επιθυμητή συμπεριφορά για μη αντιστοιχισμένες κατηγορίες.

Περίπτωση χρήσης 2: Εφαρμογή μιας συνάρτησης με το `map()`

Μπορείτε επίσης να περάσετε μια συνάρτηση (συμπεριλαμβανομένης μιας συνάρτησης lambda) στο map(). Η συνάρτηση θα εκτελεστεί για κάθε στοιχείο στη Σειρά. Ας δημιουργήσουμε μια νέα στήλη που μας δίνει μια περιγραφική ετικέτα για την τιμή.

            def price_label(price):
    if price > 200:
        return 'High-Value'
    elif price > 50:
        return 'Mid-Value'
    else:
        return 'Low-Value'

df['Price_Label'] = df['Price_USD'].map(price_label)

# Using a lambda function for a simpler task:
# df['Product_Length'] = df['Product'].map(lambda x: len(x))

print(df[['Product', 'Price_USD', 'Price_Label']])

            

              
                Copy
              
            
          

Έξοδος:

                       Product  Price_USD  Price_Label
0           Laptop       1200   High-Value
1            Mouse         25    Low-Value
2         Keyboard         75    Mid-Value
3          Monitor        300   High-Value
4           Webcam         50    Low-Value
5       Headphones        150    Mid-Value
6  Docking Station        250   High-Value
7            Mouse         30    Low-Value

            

              
                Copy
              
            
          

Πότε να χρησιμοποιήσετε το `map()`: Μια γρήγορη σύνοψη

• Εργάζεστε σε μια μεμονωμένη στήλη (μια Σειρά).
• Πρέπει να αντικαταστήσετε τιμές βάσει λεξικού ή άλλης Σειράς. Αυτή είναι η κύρια δύναμή του.
• Πρέπει να εφαρμόσετε μια απλή συνάρτηση στοιχείου σε μια μεμονωμένη στήλη.

Η μέθοδος `apply()`: Ο ευέλικτος εργάτης

Τι είναι το `apply()`?

Εάν το map() είναι ειδικός, το apply() είναι ο γενικός εργάτης. Είναι πιο ευέλικτο επειδή μπορεί να λειτουργήσει τόσο σε Σειρές όσο και σε DataFrames. Το κλειδί για την κατανόηση του apply() είναι η παράμετρος axis, η οποία κατευθύνει τη λειτουργία του:

• Σε μια Σειρά: Λειτουργεί στοιχείο προς στοιχείο, όπως το map().
• Σε ένα DataFrame με axis=0 (η προεπιλογή): Εφαρμόζει μια συνάρτηση σε κάθε στήλη. Η συνάρτηση λαμβάνει κάθε στήλη ως Σειρά.
• Σε ένα DataFrame με axis=1: Εφαρμόζει μια συνάρτηση σε κάθε σειρά. Η συνάρτηση λαμβάνει κάθε σειρά ως Σειρά.

`apply()` σε μια Σειρά

Όταν χρησιμοποιείται σε μια Σειρά, το apply() συμπεριφέρεται πολύ παρόμοια με το map(). Εφαρμόζει μια συνάρτηση σε κάθε στοιχείο. Για παράδειγμα, θα μπορούσαμε να αναπαράγουμε το παράδειγμά μας για την ετικέτα τιμής.

            df['Price_Label_apply'] = df['Price_USD'].apply(price_label)
print(df['Price_Label_apply'].equals(df['Price_Label'])) # Output: True

            

              
                Copy
              
            
          

Ενώ φαίνονται εναλλάξιμα εδώ, το map() είναι συχνά ελαφρώς πιο γρήγορο για απλές αντικαταστάσεις λεξικών και λειτουργίες στοιχείων σε μια Σειρά, επειδή έχει μια πιο βελτιστοποιημένη διαδρομή για αυτές τις συγκεκριμένες εργασίες.

`apply()` σε ένα DataFrame (Ανά στήλη, `axis=0`)

Αυτή είναι η προεπιλεγμένη λειτουργία για ένα DataFrame. Η συνάρτηση που παρέχετε καλείται μία φορά για κάθε στήλη. Αυτό είναι χρήσιμο για συγκεντρώσεις ή μετασχηματισμούς ανά στήλη.

Ας βρούμε τη διαφορά μεταξύ της μέγιστης και της ελάχιστης τιμής (το εύρος) για κάθε μία από τις αριθμητικές στήλες μας.

            numeric_cols = df[['Price_USD', 'Quantity']]

def get_range(column_series):
    return column_series.max() - column_series.min()

column_ranges = numeric_cols.apply(get_range, axis=0)

print(column_ranges)

            

              
                Copy
              
            
          

Έξοδος:

            Price_USD    1175.0
Quantity        2.0
dtype: float64

            

              
                Copy
              
            
          

Εδώ, η συνάρτηση get_range έλαβε πρώτα τη Σειρά 'Price_USD', υπολόγισε το εύρος της, στη συνέχεια έλαβε τη Σειρά 'Quantity' και έκανε το ίδιο, επιστρέφοντας μια νέα Σειρά με τα αποτελέσματα.

`apply()` σε ένα DataFrame (Ανά σειρά, `axis=1`)

Αυτή είναι αναμφισβήτητα η πιο ισχυρή και κοινή περίπτωση χρήσης για το apply(). Όταν χρειάζεται να υπολογίσετε μια νέα τιμή με βάση πολλαπλές στήλες στην ίδια σειρά, το apply() με axis=1 είναι η λύση σας.

Η συνάρτηση που θα περάσετε θα λαμβάνει κάθε σειρά ως Σειρά, όπου ο δείκτης είναι τα ονόματα των στηλών. Ας υπολογίσουμε το συνολικό κόστος για κάθε παραγγελία.

            def calculate_total_cost(row):
    # 'row' is a Series representing a single row
    price = row['Price_USD']
    quantity = row['Quantity']
    return price * quantity

df['Total_Cost'] = df.apply(calculate_total_cost, axis=1)

print(df[['Product', 'Price_USD', 'Quantity', 'Total_Cost']])

            

              
                Copy
              
            
          

Έξοδος:

                       Product  Price_USD  Quantity  Total_Cost
0           Laptop       1200         1        1200
1            Mouse         25         2          50
2         Keyboard         75         1          75
3          Monitor        300         2         600
4           Webcam         50         1          50
5       Headphones        150         1         150
6  Docking Station        250         1         250
7            Mouse         30         3          90

            

              
                Copy
              
            
          

Αυτό είναι κάτι που το map() απλά δεν μπορεί να κάνει, καθώς περιορίζεται σε μία στήλη. Ας δούμε ένα πιο σύνθετο παράδειγμα. Θέλουμε να κατηγοριοποιήσουμε την προτεραιότητα αποστολής κάθε παραγγελίας με βάση την κατηγορία και τη χώρα της.

            def assign_shipping_priority(row):
    if row['Category'] == 'Electronics' and row['Country'] == 'USA':
        return 'High Priority'
    elif row['Total_Cost'] > 500:
        return 'High Priority'
    elif row['Country'] == 'Japan':
        return 'Medium Priority'
    else:
        return 'Standard'

df['Shipping_Priority'] = df.apply(assign_shipping_priority, axis=1)

print(df[['Category', 'Country', 'Total_Cost', 'Shipping_Priority']])

            

              
                Copy
              
            
          

Πότε να χρησιμοποιήσετε το `apply()`: Μια γρήγορη σύνοψη

• Όταν η λογική σας εξαρτάται από πολλαπλές στήλες σε μια σειρά (χρησιμοποιήστε το axis=1). Αυτό είναι το killer feature του.
• Όταν χρειάζεται να εφαρμόσετε μια συνάρτηση συγκέντρωσης σε στήλες ή σε σειρές.
• Ως ένα γενικό εργαλείο εφαρμογής συνάρτησης όταν το map() δεν ταιριάζει.

Μια ειδική αναφορά: Η μέθοδος `applymap()`

Τι είναι το `applymap()`?

Η μέθοδος applymap() είναι ένας άλλος ειδικός, αλλά ο τομέας του είναι ολόκληρο το DataFrame. Εφαρμόζει μια συνάρτηση σε κάθε στοιχείο ενός DataFrame. Δεν λειτουργεί σε μια Σειρά—είναι μια μέθοδος μόνο για DataFrame.

Σκεφτείτε το σαν να εκτελείτε ένα map() σε κάθε στήλη ταυτόχρονα. Είναι χρήσιμο για ευρείς, σαρωτικούς μετασχηματισμούς, όπως μορφοποίηση ή μετατροπή τύπου, σε όλα τα κελιά.

Ένα πρακτικό παράδειγμα

Ας υποθέσουμε ότι έχουμε ένα υπο-DataFrame μόνο με τις αριθμητικές στήλες μας και θέλουμε να τις μορφοποιήσουμε όλες ως συμβολοσειρές νομίσματος για μια αναφορά.

            numeric_df = df[['Price_USD', 'Quantity', 'Total_Cost']]

# Using a lambda function to format each number
formatted_df = numeric_df.applymap(lambda x: f'${x:,.2f}')

print(formatted_df)

            

              
                Copy
              
            
          

Έξοδος:

               Price_USD Quantity Total_Cost
0  $1,200.00    $1.00  $1,200.00
1      $25.00    $2.00     $50.00
2      $75.00    $1.00     $75.00
3     $300.00    $2.00    $600.00
4      $50.00    $1.00     $50.00
5     $150.00    $1.00    $150.00
6     $250.00    $1.00    $250.00
7      $30.00    $3.00     $90.00

            

              
                Copy
              
            
          

Μια άλλη κοινή χρήση είναι ο καθαρισμός ενός DataFrame δεδομένων συμβολοσειρών, για παράδειγμα, μετατρέποντας τα πάντα σε πεζά.

            string_df = df[['Product', 'Category', 'Country']].copy() # Create a copy to avoid SettingWithCopyWarning

# Ensure all values are strings to prevent errors
string_df = string_df.astype(str)

lower_df = string_df.applymap(str.lower)

print(lower_df)

            

              
                Copy
              
            
          

Πότε να χρησιμοποιήσετε το `applymap()`: Μια γρήγορη σύνοψη

• Όταν χρειάζεται να εφαρμόσετε μια απλή συνάρτηση σε κάθε στοιχείο σε ένα DataFrame.
• Για εργασίες όπως η μετατροπή τύπου δεδομένων, η μορφοποίηση συμβολοσειρών ή απλοί μαθηματικοί μετασχηματισμοί σε ολόκληρο το DataFrame.
• Να θυμάστε την απόσυρσή του υπέρ του DataFrame.map() σε πρόσφατες εκδόσεις του Pandas.

Σε βάθος ανάλυση της απόδοσης: Διανυσματοποίηση έναντι επανάληψης

Ο "κρυφός" βρόχος

Αυτή είναι η πιο κρίσιμη έννοια που πρέπει να κατανοήσετε για τη σύνταξη κώδικα Pandas υψηλής απόδοσης. Ενώ τα apply(), map() και applymap() είναι βολικά, είναι ουσιαστικά απλώς φανταχτερά περιτυλίγματα γύρω από έναν βρόχο Python. Όταν χρησιμοποιείτε το df.apply(..., axis=1), το Pandas επαναλαμβάνει το DataFrame σας σειρά προς σειρά, περνώντας κάθε μία στη συνάρτησή σας. Αυτή η διαδικασία έχει σημαντική επιβάρυνση και είναι πολύ πιο αργή από τις λειτουργίες που έχουν βελτιστοποιηθεί σε C ή Cython.

Η δύναμη της διανυσματοποίησης

Η διανυσματοποίηση είναι η πρακτική της εκτέλεσης λειτουργιών σε ολόκληρους πίνακες (ή Σειρές) ταυτόχρονα, αντί για μεμονωμένα στοιχεία. Το Pandas και η υποκείμενη βιβλιοθήκη του, το NumPy, έχουν σχεδιαστεί ειδικά για να είναι απίστευτα γρήγορα στις διανυσματοποιημένες λειτουργίες.

Ας επισκεφτούμε ξανά τον υπολογισμό του 'Total_Cost'. Χρησιμοποιήσαμε το apply(), αλλά υπάρχει ένας διανυσματοποιημένος τρόπος;

            # Method 1: Using apply() (Iteration)
df['Total_Cost'] = df.apply(lambda row: row['Price_USD'] * row['Quantity'], axis=1)

# Method 2: Vectorized Operation
df['Total_Cost_Vect'] = df['Price_USD'] * df['Quantity']

# Check if the results are the same
print(df['Total_Cost'].equals(df['Total_Cost_Vect'])) # Output: True

            

              
                Copy
              
            
          

Η δεύτερη μέθοδος είναι διανυσματοποιημένη. Παίρνει ολόκληρη τη Σειρά 'Price_USD' και την πολλαπλασιάζει με ολόκληρη τη Σειρά 'Quantity' σε μια ενιαία, εξαιρετικά βελτιστοποιημένη λειτουργία. Εάν χρονομετρούσατε αυτές τις δύο μεθόδους σε ένα μεγάλο DataFrame (εκατομμύρια σειρές), η διανυσματοποιημένη προσέγγιση δεν θα ήταν απλώς ταχύτερη—θα ήταν τάξεις μεγέθους ταχύτερη. Μιλάμε για δευτερόλεπτα έναντι λεπτών ή λεπτά έναντι ωρών.

Πότε είναι αναπόφευκτο το `apply()`?

Εάν η διανυσματοποίηση είναι τόσο πολύ ταχύτερη, γιατί υπάρχουν αυτές οι άλλες μέθοδοι; Επειδή μερικές φορές, η λογική σας είναι πολύ περίπλοκη για να διανυσματοποιηθεί. Το apply() είναι το απαραίτητο και σωστό εργαλείο όταν:

• Περίπλοκη υπό όρους λογική: Η λογική σας περιλαμβάνει περίπλοκες δηλώσεις if/elif/else που εξαρτώνται από πολλαπλές στήλες, όπως το παράδειγμά μας assign_shipping_priority. Ενώ μέρος αυτού μπορεί να επιτευχθεί με το np.select(), μπορεί να γίνει δυσανάγνωστο.
• Εξωτερικές συναρτήσεις βιβλιοθήκης: Πρέπει να εφαρμόσετε μια συνάρτηση από μια εξωτερική βιβλιοθήκη στα δεδομένα σας. Για παράδειγμα, εφαρμογή μιας συνάρτησης από μια γεωχωρική βιβλιοθήκη για τον υπολογισμό της απόστασης με βάση τις στήλες γεωγραφικού πλάτους και μήκους ή μια συνάρτηση από μια βιβλιοθήκη επεξεργασίας φυσικής γλώσσας (όπως η NLTK) για την εκτέλεση ανάλυσης συναισθημάτων σε μια στήλη κειμένου.
• Επαναληπτικές διαδικασίες: Ο υπολογισμός για μια δεδομένη σειρά εξαρτάται από μια τιμή που υπολογίζεται σε μια προηγούμενη σειρά (αν και αυτό είναι σπάνιο και συχνά σημάδι ότι χρειάζεται μια διαφορετική δομή δεδομένων).

Βέλτιστη πρακτική: Διανυσματοποιήστε πρώτα, `apply()` δεύτερο

Αυτό οδηγεί στον χρυσό κανόνα της απόδοσης του Pandas:

Να αναζητάτε πάντα πρώτα μια διανυσματοποιημένη λύση. Χρησιμοποιήστε το apply() ως την ισχυρή, ευέλικτη εναλλακτική λύση όταν μια διανυσματοποιημένη λύση δεν είναι πρακτική ή δυνατή.

Σύνοψη και βασικά συμπεράσματα: Επιλέγοντας το σωστό εργαλείο

Ας ενοποιήσουμε τις γνώσεις μας σε ένα σαφές πλαίσιο λήψης αποφάσεων. Όταν αντιμετωπίζετε μια προσαρμοσμένη εργασία μετασχηματισμού, κάντε στον εαυτό σας αυτές τις ερωτήσεις:

Πίνακας σύγκρισης

Ένα διάγραμμα ροής αποφάσεων

1. Μπορεί η λειτουργία μου να εκφραστεί χρησιμοποιώντας βασικούς αριθμητικούς (+, -, *, /) ή λογικούς τελεστές (&, |, ~) σε ολόκληρες στήλες;
   → Ναι? Χρησιμοποιήστε μια διανυσματοποιημένη προσέγγιση. Αυτή είναι η ταχύτερη. (π.χ., `df['col1'] * df['col2']`)
2. Εργάζομαι μόνο σε μία στήλη και ο κύριος στόχος μου είναι να αντικαταστήσω τιμές βάσει ενός λεξικού;
   → Ναι? Χρησιμοποιήστε το Series.map(). Είναι βελτιστοποιημένο για αυτό.
3. Πρέπει να εφαρμόσω μια συνάρτηση σε κάθε στοιχείο σε ολόκληρο το DataFrame μου;
   → Ναι? Χρησιμοποιήστε το DataFrame.applymap() (ή DataFrame.map() σε νεότερες εκδόσεις του Pandas).
4. Είναι η λογική μου περίπλοκη και απαιτεί τιμές από πολλαπλές στήλες σε κάθε σειρά για τον υπολογισμό ενός μόνο αποτελέσματος;
   → Ναι? Χρησιμοποιήστε το DataFrame.apply(..., axis=1). Αυτό είναι το εργαλείο σας για πολύπλοκη λογική ανά σειρά.

Συμπέρασμα

Η πλοήγηση στις επιλογές για την εφαρμογή προσαρμοσμένων συναρτήσεων στο Pandas είναι ένα τελετουργικό για κάθε επαγγελματία δεδομένων. Ενώ μπορεί να φαίνονται εναλλάξιμα με την πρώτη ματιά, τα map(), apply() και applymap() είναι διακριτά εργαλεία, το καθένα με τα δικά του πλεονεκτήματα και ιδανικές περιπτώσεις χρήσης. Κατανοώντας τις διαφορές τους, μπορείτε να γράψετε κώδικα που δεν είναι μόνο σωστός, αλλά και πιο ευανάγνωστος, συντηρήσιμος και σημαντικά πιο αποδοτικός.

Να θυμάστε την ιεραρχία: προτιμήστε τη διανυσματοποίηση για την ακατέργαστη ταχύτητά της, χρησιμοποιήστε το map() για την αποτελεσματική αντικατάσταση Σειρών, επιλέξτε το applymap() για μετασχηματισμούς σε ολόκληρο το DataFrame και αξιοποιήστε την ισχύ και την ευελιξία του apply() για πολύπλοκη λογική ανά σειρά ή ανά στήλη που δεν μπορεί να διανυσματοποιηθεί. Οπλισμένοι με αυτή τη γνώση, είστε τώρα καλύτερα εξοπλισμένοι για να αντιμετωπίσετε οποιαδήποτε πρόκληση χειρισμού δεδομένων έρθει στο δρόμο σας, μετατρέποντας τα ακατέργαστα δεδομένα σε ισχυρές πληροφορίες με δεξιοτεχνία και αποτελεσματικότητα.