Desbravando o Pandas - Parte 6 - Apply e Map

Neste documento continuaremos explorarando os conceitos iniciais da biblioteca Pandas. Para acompanhamento utilizaremos a mesma base do 🔗Desbravando o Pandas - Parte 1 - Estrutura de dados e seguirei com as mesmas estruturas criadas previamente.

---

Apply e Map

No pandas, as funções apply() e map() são amplamente utilizadas para transformar e manipular dados dentro de DataFrames e Series. Ambas permitem a aplicação de funções personalizadas a todos os elementos da estrutura, mas possuem diferenças importantes em sua aplicação.

apply() :

• Pode ser usada tanto em Series quanto em DataFrames.
• Em Series, aplica uma função a cada elemento.
• Em DataFrames, permite aplicar funções em colunas (axis=0) ou em linhas (axis=1).
• É útil para transformações complexas que envolvem múltiplas colunas.

map() :

• Aplicável apenas a Series.
• Aplica funções elemento por elemento, sendo ideal para mapeamentos simples.
• Suporta dicionários para substituição de valores e funções lambda para transformações diretas.

Em geral, map() é mais eficiente quando a operação pode ser feita elemento a elemento, enquanto apply() é mais flexível para manipulações que envolvem múltiplas colunas ou estruturas complexas.

	DataFrame	Series
apply	✔️	✔️
map	❌	✔️

Para teste, utilizaremos o DataFrame criado a seguir df_produtos:

df_produtos = pd.DataFrame({
    'Produto': ['Notebook', 'Smartphone', 'Tablet', 'Monitor'],
    'Valor': [4500, 2500, 1500, 1200],
    'Margem': [0.2, 0.15, 0.25, 0.18],
    'Estoque': [100, 250, 150, 200]},
    index=['Produto 1','Produto 2','Produto 3','Produto 4'])

df_produtos

DataFrame criado df_produtos

.apply()

apply() : É utilizado para aplicar uma função ao longo de algum eixo do DataFrame ou em valores de uma Series.

axis=0 : Significa que estamos selecionando linhas ↑ ↓

axis=1: Significa que estamos selecionando colunas → ←

Vamos criar duas funções para exemplificar a diferença dos eixos:

## Criando função personalizada
def soma_produtos(series):
    return series.sum() # Retorna a soma de todos os produtos dado um determinado eixo

## Criando função personalizada
def margem_venda(series):
    return series.iloc[1] * series.iloc[2] ## Retorna a margem de venda de um dos produtos (Valor * Margem)

axis=0 - Seleção de linhas

## Aplicando a função personalizada soma_produtos
df_produtos.apply(soma_produtos,axis=0) 

Retorno da aplicação da função personalizada soma_produtos

Repare que todas as linhas do DataFrame df_protudos foram somadas, criando uma nova linha que pode ser inserida de volta no DataFrame.

axis=1 - Seleção colunas

## Aplicando a função personalizada margem_venda e criando uma nova coluna com o valor retornado
df_produtos['Valor Margem'] = df_produtos.apply(margem_venda,axis=1)

df_produtos

Retorno da aplicação da função personalizada Valor Margem

Repare que a função foi aplicada .loc[1] (Valor) * .loc[2] (Margem), criando uma nova coluna no DataFrame Valor Margem.

Funções lambda

No pandas, uma função lambda é uma função temporária que pode ser usada de forma rápida.

df_produtos['Ganhos Possíveis'] = df_produtos[['Produto','Valor','Margem','Estoque']].apply(lambda series: (series.loc['Valor'] * series.loc['Margem']) * series.loc['Estoque'],axis=1)

df_produtos

Retorno da aplicação da função temporária lambda

A função lambda é implicitamente utilizada em alguns momentos. Como neste mesmo caso por exemplo:

df_produtos['Ganhos Possíveis 2'] = ( df_produtos['Valor'] * df_produtos['Margem'] ) * df_produtos['Estoque']

df_produtos

Retorno da aplicação sem a utilização de lambda

Quando devo ou não utilizar a função lambda ao invés da criação de uma função personalização def?

O uso de funções lambda no pandas pode tornar o código mais conciso e eficiente, mas existem momentos em que é melhor evitá-las.

1. Quando utilizar lambda?

• Se a função for curta e não precisar ser reutilizada, lambda é uma boa escolha.
• Uso com apply() para manipular múltiplas colunas.
• Uso com map() para substituições simples.

1. Quando NÃO utilizar lambda?

• Funções complexas e difíceis de ler.
• Duplicação de código (Se uma cálculo é feito mais do que uma vez, considere def).
• Para operações vetorizadas (Como o exemplo anterior):
  • df['Valor_Dobrado'] = df['Valor'].apply(lambda x: x * 2) tem um desempenho pior do que df['Valor_Dobrado'] = df['Valor'] * 2

De forma resumida:

Situação	Usar lambda	Alternativa
Operações curtas e diretas	✔️	-
Aplicação em colunas individuais com apply()	✔️	-
Conversão simples com map()	✔️	-
Funções longas ou com múltiplas condições	❌	def com apply()
Código precisa ser reutilizável	❌	Criar uma função separada
Operação pode ser vetorizada	❌	Métodos nativos do pandas

.map()

Diferente da função apply() a função map() é exclusiva para Series, sendo usada para aplicar uma função a cada elemento de uma Series.

## Criando uma Series nomes
nomes = pd.Series(['Lucas','Andressa','Bruno','Maria'])

nomes

Retorno do DataFrame criado nomes

Assim como apply() podemos utilizar funções personalizadas def ou funções pré definidas no Pandas como por exemplo a função upper():

## Aplicando a função Upper via map na Series nomes
nomes.map(lambda x: x.upper())

Retorno da função map() utilizando o método upper()

Lembrando que, o Pandas já fornece uma série de métodos para manipulação de dados e não existe necessidade de utilizar a função map() quando estamos falando delas.

Como por exemplo, a própria função upper() já existe:

nomes.str.upper()

Retorno do DataFrame utilizando o método upper() sem map()

Utilizando dicionários

Além de funções, map() também pode ser usado com dicionários de valores mapeados:

## De-Para de nomes
De_Para = {'Lucas': 'Lucas Santos', 'Andressa': 'Andressa Ferraz', 'Bruno': 'Bruno Barbosa', 'Maria': 'Maria Elias'}

De_Para

Dicionário/De-Para de nomes criado De-Para

A utilização de dicionário juntamente com o map() é semelhante ao Applymap() do QLIK.

nomes = nomes.map(De_Para)

nomes

Aplicação do dicionário criado De-Para utilizando map()

Como não estão no dicionário/De-Para, o map() retorna NaN para eles.

---

Resumo

Principais diferenças entre apply() e map():

Situação	Usar apply()	Usar map()
Onde pode ser usada?	Series e DataFrame	Apenas Series
Forma de aplicação	Pode ser usada linha por linha (axis=1) ou coluna por coluna (axis=0)	Aplica elemento por elemento
Pode usar dicionário?	❌ Não	✅ Sim
Pode usar funções personalizadas?	✅ Sim	✅ Sim

---

Para download do notebook utilizado, acesse o 🔗Link