BioPlayground

一覧へ

apply、map、applymap — データの変換を行う3つのツール

pandasのapply、map、applymapという3つの関数の違いを明確に理解し、状況に応じて適切なツールを選びます。

中級
|
10分
|
検証済み (2026-07)
applymapapplymapデータ変換ベクトル演算
進捗0/17 (0%)

apply、map、applymap — データ変換の3つのツール

このトピックを修了すると

apply、map、applymap の3つの関数の違いを明確に理解し、状況に応じた適切なツールを選択できるようになり、パフォーマンスの違いを理解できます。

なぜ3つも関数があるのか

pandasでデータを変換するための関数が3つもあるので、最初は混乱するかもしれません。それぞれ適用範囲が異なります。

関数対象適用単位
map()Series (1次元)個別の値ごと
apply()Series または DataFrame行または列ごと
applymap()DataFrame (2次元)個別の値ごと

一言で言うと：mapはSeriesの各値に、applymapはDataFrameの各値に、applyは行/列全体に関数を適用します。

map — Seriesの各値を変換

map()はSeries専用です。各値に関数を適用するか、辞書でマッピングします。

関数マッピング

python
import pandas as pd


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


# 各名前を大文字に
df["name"].map(str.upper)
# 0    ALICE
# 1      BOB
# 2    CAROL


# 各スコアを四捨五入
df["score"].map(round)
# 0    86
# 1    92
# 2    78

辞書マッピング

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

辞書にない値は NaN になります。これは、実務でカテゴリエンコーディングによく使用されます。

lambdaと組み合わせて

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

apply — 行または列単位で関数を適用

apply() は、SeriesとDataFrameの両方で使用できます。

Series.apply — mapと類似

python
df["score"].apply(lambda x: round(x, 1))
# map() と同じ結果

Seriesでは、map()とほぼ同じです。違いは、apply() が追加の引数を渡せることです。

DataFrame.apply — 列（または行）単位

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


# 各科目（列）の平均
df.apply("mean")           # axis=0 (デフォルト、列方向)
# math       85.0
# english    91.0
# science    87.0


# 各生徒（行）の平均
df.apply("mean", axis=1)   # axis=1 (行方向)
# 0    87.666667
# 1    90.333333
# 2    85.000000

axis=0 は「上から下へ」（各列に適用）、axis=1 は「左から右へ」（各行に適用）です。

行単位で複数のカラムを参照

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


# 各生徒の2科目のうち、高い点数
df.apply(lambda row: max(row["math"], row["english"]), axis=1)
# 0    90
# 1    92
# 2    95

行（axis=1）単位の apply で、row はその行の Series です。複数のカラムを参照して、複合的な計算を行うことができます。

applymap — DataFrameのすべての値を変換

applymap() はDataFrame専用で、すべてのセルに適用します。

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]
})


# すべての値を整数に
df.applymap(int)
#    math  english  science
# 0    85       90       88
# 1    92       88       91
# 2    78       95       82


# すべての値にフォーマットを適用
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%

注記: pandas 2.1 以降、applymap() は map() に統合されました。DataFrame.map() で同じ操作ができます。しかし、多くのコードベースではまだ applymap() を使用しているので、覚えておく必要があります。

3つの関数を比較 — 一目で

python
import pandas as pd


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


# map: Series の各値 → 値
df["A"].map(lambda x: x * 10)        # Series → Series
# 0    10
# 1    20
# 2    30


# apply (Series): map と類似
df["A"].apply(lambda x: x * 10)      # Series → Series (同じ結果)


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


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


# applymap: DataFrame の各値 → 値
df.applymap(lambda x: x * 10)         # DataFrame → DataFrame
#     A   B
# 0  10  40
# 1  20  50
# 2  30  60

パフォーマンス — ベクトル演算を優先

apply、map、applymap は、内部で Python のループを回します。pandas の組み込み演算（ベクトル演算）の方がはるかに高速です。

python
import numpy as np


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


# 遅い — apply (Python ループ)
%timeit df["value"].apply(lambda x: x * 2)
# ~200ms


# 高速 — ベクトル演算 (C で実行)
%timeit df["value"] * 2
# ~2ms (100倍高速)

ルール: 単純な算術、比較、文字列メソッドはベクトル演算を使用します。apply() は、ベクトル演算で表現できない複雑なロジックでのみ使用します。

python
# 悪い — apply で条件分岐
df["label"] = df["value"].apply(lambda x: "high" if x > 500000 else "low")


# 良い — np.where (ベクトル演算)
df["label"] = np.where(df["value"] > 500000, "high", "low")


# 悪い — apply で文字列処理
df["upper"] = df["name"].apply(str.upper)


# 良い — str accessor (ベクトル演算)
df["upper"] = df["name"].str.upper()

実践的なパターン — 複合変換

ベクトル演算で不可能な場合に apply を使用します。

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

複数のカラムを参照して、複雑な文字列を作成する処理 — これはベクトル演算で表現することが難しく、apply(axis=1) が適切です。

まとめ

状況ツール
Series の各値を変換map() または apply()
辞書で値をマッピングmap(dict)
DataFrame の各セルを変換applymap() (または pandas 2.1+ map())
列単位の集計apply(func, axis=0)
行単位の複合計算apply(func, axis=1)
単純な算術/比較ベクトル演算 (apply を使用しない)

3つの関数を選ぶ順序：1) ベクトル演算でできるか？ → ベクトル演算。2) Series の各値か？ → map。3) DataFrame の各セルか？ → applymap。4) 行/列単位の複合ロジックか？ → apply。 この順序を覚えておけば、パフォーマンスと可読性の両方を高めることができます。

よくある間違い

間違い問題解決
df.map(func) (pandas < 2.1)AttributeErrordf.applymap(func) または pandas をアップグレード
df.apply(func) でスカラを返す期待と異なる結果axis を確認 — 0 は列、1 は行
単純な算術に apply を使用100 倍遅くなるベクトル演算に置き換える
map にないキーNaN が発生fillna() でデフォルト値を指定

💬 質問・コメント

0件のコメント

ログインせずに投稿できます。ゲスト投稿は投稿者自身で編集・削除できません。

0/2000

読み込み中...