Series.map与Series.apply的区别

Question

我理解map用于pd.Series和apply用于pd.DataFrame，但使用map和apply用于pd.Series有什么区别？在我看来，他们基本上是在做同样的事情：

>>> df['title'].map(  lambda value: str(value) + 'x')
>>> df['title'].apply(lambda value: str(value) + 'x')

两者似乎都只是向函数/映射发送一个值。这两者之间是否有实际的区别，如果是的话，会有什么例子来说明呢？或者，这些应用于pd.Series时是可互换的吗？

供参考，从文档：

• https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.map.html
• https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.apply.html

例如，map使用dict，apply使用func，但实际上，它们看起来是一样的吗？两者都可以使用一个函数。

Answer 1

Series.map的另一段提到，Series.apply用于在一个系列中应用更复杂的函数。

如果对于一对一的关系，可以用字典或返回一个值的一个参数的函数来表示Series.map。

Series.apply可以使用返回多个参数的函数(实际上是一个完整的Series)。在这种情况下，Series.apply的结果将是一个DataFrame。

换句话说，您总是可以在使用apply的地方使用map。如果您将一个dict (例如d)传递给map，您可以传递一个简单的lambda来应用：lambda x: d[x]。但是，如果使用apply将Series转换为DataFrame，则不能使用map。

因此，map可能会进行更多的优化，从而适用于一对一的转换，并且应该尽可能地使用而不是apply。