map仅适用于series，dataframe调用会报错；applymap自pandas 2.1.0起已弃用，推荐用apply配合map、replace或astype等向量化方法替代。
map 只能用在 Series 上，DataFrame 用 applymap 会报错
很多人一上来就对 DataFrame 直接调用 map，结果抛出 AttributeError: 'DataFrame' object has no attribute 'map'。这是因为 map 是 Series 的方法，不是 DataFrame 的。而 applymap 确实存在，但它只适用于所有元素都是标量（如 str、int、float）的 DataFrame，且从 pandas 2.1.0 开始已被标记为弃用（deprecated），后续版本会移除。
实际场景中更稳妥的做法是：对单列用 map，对全表数值/字符串批量转换优先用 applymap 的替代方案 —— apply 配合 map 或直接用 replace、astype 等向量化方法。
对单列做映射：map + 字典或函数最常用
map 最典型用法是对 Series 做一对一映射，比如把编码转成中文名、把缩写转成全称。它自动处理 NaN，不会报错，这点比 replace 更友好。
- 用字典映射：
df['status'].map({'A': 'Active', 'I': 'Inactive', 'P': 'Pending'}) - 用函数映射：
df['age'].map(lambda x: 'adult' if x >= 18 else 'minor') - 注意：如果字典里没覆盖某个值，对应位置变成
NaN；想保留原值，改用replace或加fillna(df['col']) - 性能上，字典映射比 lambda 函数快得多，尤其数据量大时
对全表做映射：别硬用 applymap，改用 apply + map 或 vectorized 方法
想对整个 DataFrame 的每个单元格做映射（比如统一把 'Y'→True、'N'→False），applymap 虽然能跑通，但已不推荐。正确姿势是：
- 若所有列类型一致（如全是字符串），用
df.apply(lambda s: s.map(mapping_dict))，其中mapping_dict是你定义的字典 - 若只想处理特定几列，显式传入列名：
df[['col1','col2']].apply(lambda s: s.map(mapping_dict)) - 若映射规则简单（如大小写、strip、类型转换），直接用向量化方法：
df.astype(str).str.upper()或df.select_dtypes('number') + 1 - 遇到混合类型列（含数字和字符串），
map会失败，此时改用replace更鲁棒：df.replace({'Y': True, 'N': False})
容易踩的坑：NaN 处理、类型丢失、性能陷阱
映射操作看着简单，但实际跑起来常出问题：
-
map遇到 NaN 默认返回 NaN，但如果你的字典里有np.nan: 'unknown'，它不会匹配 ——map不处理 NaN 键，得靠fillna或mask单独处理 - 用
applymap或apply后，DataFrame 的 dtype 可能退化成object，尤其混入字符串后，数值列再也不能做算术运算 - 对百万行 DataFrame 用
lambda x: x.map(...)嵌套两层 apply，速度可能比直接写循环还慢 —— 这时应该拆成列级操作，或换用numpy.vectorize（仅当逻辑复杂且无法向量化时） - 别在
map里调用外部 API 或读文件 —— 它是逐元素执行的，I/O 会拖垮整个过程
真正要批处理全表，先想清楚是不是真需要“每个单元格都过一遍逻辑”。多数时候，按列分类处理 + 向量化操作，既安全又快。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
