apply, map, applymap: las tres herramientas para la transformación de datos

Al finalizar este tema

apply, map, applymap comprenderá claramente las diferencias entre estas tres funciones, podrá seleccionar la herramienta adecuada según el contexto y entenderá las diferencias de rendimiento.

¿Por qué existen tres?

En pandas, hay tres funciones para transformar datos, lo que puede resultar confuso al principio. Cada una tiene un alcance de aplicación diferente.

Función	Destino	Unidad de aplicación
`map()`	Series (1D)	Valor individual
`apply()`	Series o DataFrame	Fila o columna completa
`applymap()`	DataFrame (2D)	Valor individual

En una frase: map aplica una función a cada valor de una Series, applymap aplica una función a cada valor de un DataFrame y apply aplica una función a filas o columnas completas.

map: transformación de cada valor en una Series

map() es exclusivo para Series. Aplica una función a cada valor o realiza un mapeo mediante un diccionario.

Mapeo de funciones

python

import pandas as pd

df = pd.DataFrame({
    "name": ["Alice", "Bob", "Carol"],
    "score": [85.7, 92.3, 78.1]
})

# Convierte cada nombre a mayúsculas
df["name"].map(str.upper)
# 0    ALICE
# 1      BOB
# 2    CAROL

# Redondea cada puntuación
df["score"].map(round)
# 0    86
# 1    92
# 2    78

Mapeo de diccionario

python

grade_map = {
    "A": "Excellent",
    "B": "Good",
    "C": "Average"
}

grades = pd.Series(["A", "B", "C", "A", "B"])
grades.map(grade_map)
# 0    Excellent
# 1         Good
# 2      Average
# 3    Excellent
# 4         Good

El valor que no está en el diccionario será NaN. Esto se utiliza frecuentemente en la práctica para el codificado de categorías.

Con lambda

python

df["score"].map(lambda x: "Pass" if x >= 80 else "Fail")
# 0    Pass
# 1    Pass
# 2    Fail

apply — aplicar una función por fila o columna

apply() se puede utilizar tanto en Series como en DataFrames.

Series.apply — similar a map

python

df["score"].apply(lambda x: round(x, 1))
# Mismo resultado que map()

En Series, es casi idéntico a map(). La única diferencia es que apply() puede pasar argumentos adicionales.

DataFrame.apply — por columna (o fila)

python

df = pd.DataFrame({
    "math": [85, 92, 78],
    "english": [90, 88, 95],
    "science": [88, 91, 82]
})

# Media de cada asignatura (columna)
df.apply("mean")           # axis=0 (predeterminado, por columnas)
# math       85.0
# english    91.0
# science    87.0

# Media de cada estudiante (fila)
df.apply("mean", axis=1)   # axis=1 (por filas)
# 0    87.666667
# 1    90.333333
# 2    85.000000

axis=0 aplica funciones "de arriba hacia abajo" (a cada columna), mientras que axis=1 aplica funciones "de izquierda a derecha" (a cada fila).

Referencia de múltiples columnas por fila

python

df = pd.DataFrame({
    "name": ["Alice", "Bob", "Carol"],
    "math": [85, 92, 78],
    "english": [90, 88, 95]
})

# Mayor puntuación de cada estudiante entre las dos asignaturas
df.apply(lambda row: max(row["math"], row["english"]), axis=1)
# 0    90
# 1    92
# 2    95

En la operación apply a nivel de fila (axis=1), row corresponde al Series de dicha fila. Esto permite realizar cálculos complejos que hacen referencia a varias columnas.

applymap — Transformar todos los valores de un DataFrame

applymap() es exclusivo de DataFrame y aplica una función a cada celda.

python

df = pd.DataFrame({
    "math": [85.7, 92.3, 78.1],
    "english": [90.2, 88.9, 95.4],
    "science": [88.1, 91.7, 82.3]
})

# Convierte todos los valores en enteros
df.applymap(int)
#    math  english  science
# 0    85       90       88
# 1    92       88       91
# 2    78       95       82

# Aplica formato a todos los valores
df.applymap(lambda x: f"{x:.1f}%")
#     math english science
# 0  85.7%   90.2%   88.1%
# 1  92.3%   88.9%   91.7%
# 2  78.1%   95.4%   82.3%

Nota: En pandas 2.1+, applymap() se ha integrado en map(). Puedes realizar la misma tarea con DataFrame.map(). Sin embargo, es importante tener en cuenta que muchas bases de código aún utilizan applymap().

Comparación de las tres funciones — De un vistazo

python

import pandas as pd

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

# map: cada valor de Series → valor
df["A"].map(lambda x: x * 10)        # Series → Series
# 0    10
# 1    20
# 2    30

# apply (Series): similar a map
df["A"].apply(lambda x: x * 10)      # Series → Series (mismo resultado)

# apply (DataFrame, axis=0): por columnas
df.apply(sum)                          # DataFrame → Series
# A     6
# B    15

# apply (DataFrame, axis=1): por filas
df.apply(sum, axis=1)                  # DataFrame → Series
# 0     5
# 1     7
# 2     9

# applymap: cada valor de DataFrame → valor
df.applymap(lambda x: x * 10)         # DataFrame → DataFrame
#     A   B
# 0  10  40
# 1  20  50
# 2  30  60

Rendimiento — operaciones vectoriales primero

apply, map, applymap utilizan bucles de Python internamente. Las operaciones integradas de pandas (operaciones vectoriales) son mucho más rápidas.

python

import numpy as np

df = pd.DataFrame({"value": range(1_000_000)})

# Lento: apply (bucle de Python)
%timeit df["value"].apply(lambda x: x * 2)
# ~200ms

# Rápido: operación vectorial (ejecutada en C)
%timeit df["value"] * 2
# ~2 ms (100 veces más rápido)

Reglas: Utilice operaciones vectoriales para aritmética simple, comparaciones y métodos de cadenas. Use apply() únicamente en lógica compleja que no pueda expresarse mediante operaciones vectoriales.

python

# Mal: ramificación condicional con apply
df["label"] = df["value"].apply(lambda x: "high" if x > 500000 else "low")

# Bien: np.where (operación vectorial)
df["label"] = np.where(df["value"] > 500000, "high", "low")

# Mal: procesamiento de texto con apply
df["upper"] = df["name"].apply(str.upper)

# Bien: accesor str (operación vectorial)
df["upper"] = df["name"].str.upper()

Patrones prácticos — Transformaciones compuestas

Se utiliza apply cuando las operaciones vectoriales no son posibles:

python

df = pd.DataFrame({
    "name": ["Alice Smith", "Bob Lee", "Carol Park"],
    "birth": ["1995-03-15", "1988-11-22", "2001-07-08"],
    "department": ["Sales", "Dev", "HR"]
})

def create_employee_id(row):
    dept_code = row["department"][:2].upper()
    last_name = row["name"].split()[-1].upper()
    year = row["birth"][:4]
    return f"{dept_code}-{last_name}-{year}"

df["emp_id"] = df.apply(create_employee_id, axis=1)
print(df["emp_id"])
# 0    SA-SMITH-1995
# 1      DE-LEE-1988
# 2     HR-PARK-2001

Tareas que construyen cadenas complejas haciendo referencia a varias columnas: esto es difícil de expresar mediante operaciones vectoriales, por lo que apply(axis=1) es adecuado.

Resumen clave

Situación	Herramienta
Transformar cada valor de una Series	`map()` o `apply()`
Mapeo de valores con un diccionario	`map(dict)`
Transformar cada celda de un DataFrame	`applymap()` (o pandas 2.1+ `map()`)
Agregación por columna	`apply(func, axis=0)`
Cálculos complejos por fila	`apply(func, axis=1)`
Aritmética o comparación simple	Operaciones vectoriales (evitar apply)

Orden para elegir entre las tres funciones: 1) ¿Se puede hacer con operaciones vectoriales? → Operaciones vectoriales. 2) ¿Cada valor de una Series? → map. 3) ¿Cada celda de un DataFrame? → applymap. 4) ¿Lógica compleja por fila/columna? → apply. Recordar este orden permite cuidar tanto el rendimiento como la legibilidad.

Errores frecuentes

Error	Problema	Solución
`df.map(func)` (pandas < 2.1)	`AttributeError`	`df.applymap(func)` o actualizar pandas
Devolver un escalar en `df.apply(func)`	Resultados inesperados	Verificar axis: 0 es columna, 1 es fila
Usar apply para aritmética simple	100 veces más lento	Reemplazar con operaciones vectoriales
Claves faltantes en map	Genera NaN	Especificar valor predeterminado con `fillna()`

BioPlayground

apply, map, applymap: las tres herramientas para la transformación de datos

apply, map, applymap: las tres herramientas para la transformación de datos

Al finalizar este tema

¿Por qué existen tres?

map: transformación de cada valor en una Series

Mapeo de funciones

Mapeo de diccionario

Con lambda

apply — aplicar una función por fila o columna

Series.apply — similar a map

DataFrame.apply — por columna (o fila)

Referencia de múltiples columnas por fila

applymap — Transformar todos los valores de un DataFrame

Comparación de las tres funciones — De un vistazo

Rendimiento — operaciones vectoriales primero

Patrones prácticos — Transformaciones compuestas

Resumen clave

Errores frecuentes

💬 Preguntas y comentarios