Partie 3 · Fonctions et bonnes pratiques

apply, map et colonnes dérivées

Pour créer une colonne à partir d'autres, on applique une fonction.

Méthode	Portée	Usage
`.apply(f)`	DataFrame : `axis=0` (défaut) colonne par colonne, `axis=1` ligne par ligne ; ou Series	logique personnalisée (statut selon un seuil, commission selon le produit)
`.map(dico)`	Series uniquement	remplacer chaque valeur via un dictionnaire (`'A' → 'Électronique'`)
calcul vectorisé	colonnes entières	`df['TTC'] = df['HT'] * 1.2`

Exemples du TP : statut « Importante » si le montant est supérieur à 150, « Normale » sinon ; commission de 10 % pour le produit A, 5 % pour B, 0 % sinon (fonction appliquée avec axis=1).

Vérifie que tu as compris

Quelle méthode remplace chaque valeur d'une colonne via un dictionnaire ?

Vérifie que tu as compris

Avec df.apply(f, axis=1), la fonction f reçoit :

À toi de coder

Statut, catégorie et commission

Sur les commandes, crée trois colonnes dérivées : statut ('Importante' si montant > 150, sinon 'Normale'), categorie (via un dictionnaire : A → Électronique, B → Alimentaire, C → Vêtements) et commission (10 % du montant pour A, 5 % pour B, 0 sinon, via une fonction qui reçoit une ligne).

commandes = [
    {"produit": "A", "montant": 200},
    {"produit": "B", "montant": 100},
    {"produit": "C", "montant": 150},
]
CAT = {"A": "Électronique", "B": "Alimentaire", "C": "Vêtements"}

def commission(ligne):
    if ligne["produit"] == "A":
        return ligne["montant"] * 0.10
    if ligne["produit"] == "B":
        return ligne["montant"] * ___
    return 0

for l in commandes:
    l["statut"] = "Importante" if l["montant"] ___ 150 else "Normale"
    l["categorie"] = CAT[l["___"]]
    l["commission"] = commission(l)

Ctrl/⌘+Entrée

Efficacité et bonnes pratiques

Vectorisation plutôt que boucles : les opérations directes sur Series/DataFrame (en C/NumPy) sont nettement plus rapides que les boucles for ou qu'un .apply() ligne par ligne.
Type category pour des chaînes très répétitives (faible cardinalité) : économie mémoire et accélération.
Chaînage de méthodes (df.method1().method2()) : lisibilité d'une séquence d'opérations.
Affectation avec .loc[] (ou .iloc) : évite le SettingWithCopyWarning et garantit que le DataFrame original est modifié. Une affectation après un filtrage par simples crochets peut ne porter que sur une « vue » temporaire.

Équivalent Python pur : une compréhension de liste vaut mieux qu'une boucle avec append quand elle reste lisible ; on enchaîne les étapes en passant le résultat de l'une à la suivante.

Vérifie que tu as compris

Pourquoi utiliser df.loc[masque, 'col'] = v plutôt que df[masque]['col'] = v ?

Vérifie que tu as compris

Pour quelle colonne le type category est-il le plus intéressant ?