将函数应用于pandas对象（pandas.DataFrame，pandas.Series）时，根据所应用的函数类型以及是否将其应用于元素，行或列，使用的方法会有所不同。
指定pandas对象作为NumPy函数的参数
Pandas对象方法的函数应用
元素功能（标量值）
行和列的功能（一维数组）
用以下csv文件作为示例进行说明。
a,b,c,d
11,12,13,14
21,22,23,24
31,32,33,34
import pandas as pd
import numpy as np
df = pd.read_csv('./data/06/sample_header.csv')
print(df)
# a b c d
# 0 11 12 13 14
# 1 21 22 23 24
# 2 31 32 33 34可以将Pandas对象指定为NumPy函数的参数。
NumPy的通用函数（ufunc：应用于数组元素的函数）适用于pandas对象的每个元素。
绝对值（fabs（）），平方根（sqrt（）），log（log（））等。
print(np.sqrt(df)) # a b c d # 0 3.316625 3.464102 3.605551 3.741657 # 1 4.582576 4.690416 4.795832 4.898979 # 2 5.567764 5.656854 5.744563 5.830952
如果将pandas对象指定为从NumPy数组的所有元素计算值的函数的参数，则默认情况下它将应用于pandas对象的每列。如果参数轴= 1，则将其应用于每行。
最大值（amax（）），最小值（amin（）），平均值（mean（））等。
print(np.amax(df)) # a 31 # b 32 # c 33 # d 34 # dtype: int64 print(np.mean(df, axis=1)) # 0 12.5 # 1 22.5 # 2 32.5 # dtype: float64
最大值，最小值，平均值，方差等也被准备为Pandas对象的方法，因此也可以直接使用它们。
同样，在这种情况下，默认情况下也会将其应用于每一列，并且如果参数axis = 1，则会将其应用于每一行。
print(df.max()) # a 31 # b 32 # c 33 # d 34 # dtype: int64 print(df.max(axis=1)) # 0 14 # 1 24 # 2 34 # dtype: int64
可以使用pandas对象方法将函数应用于元素，行和列。您可以应用Python内置函数或您定义的函数。
以上方法都返回一个新的已处理的对象，而原始对象则保持不变。没有像dropna（）或fillna（）那样的参数，因此，如果想更改原始对象本身时，
df = df.applymap(function)
如上，用原始对象替换新对象并覆盖它。
将Python内置函数，匿名函数（lambda）或def定义的函数传递给map（）或apply（）的参数。
s = df['a']
print(s)
# 0 11
# 1 21
# 2 31
# Name: a, dtype: int64
f_brackets = lambda x: '[{}]'.format(x)
print(s.map(f_brackets))
# 0 [11]
# 1 [21]
# 2 [31]
# Name: a, dtype: object
def f_str(x):
return str(x).replace('1', 'One').replace('2', 'Two').replace('3', 'Three').replace('4', 'Four')
print(s.map(f_str))
# 0 OneOne
# 1 TwoOne
# 2 ThreeOne
# Name: a, dtype: object对于map（），如果将字典dict指定为参数，它将替换为元素。
将Python的内置函数，匿名函数（lambda）或def定义的函数传递为applymap（）的参数。
f_oddeven = lambda x: 'odd' if x % 2 == 1 else 'even' print(df.applymap(f_oddeven)) # a b c d # 0 odd even odd even # 1 odd even odd even # 2 odd even odd even
将适用于一维数组的函数传递给apply（）的参数。默认情况下，它应用于每列，如果axis = 1，则应用于每行。
f_maxmin = lambda x: max(x) - min(x) print(df.apply(f_maxmin)) # a 20 # b 20 # c 20 # d 20 # dtype: int64 print(df.apply(f_maxmin, axis=1)) # 0 3 # 1 3 # 2 3 # dtype: int64
由于没有方法仅将功能应用于DataFrame的特定行/列元素，可执行以下方法。
df['b'] = df['b'].map(f_str) print(df) # a b c d # 0 11 OneTwo 13 14 # 1 21 TwoTwo 23 24 # 2 31 ThreeTwo 33 34 df.iloc[2] = df.iloc[2].map(f_str) print(df) # a b c d # 0 11 OneTwo 13 14 # 1 21 TwoTwo 23 24 # 2 ThreeOne ThreeTwo ThreeThree ThreeFour
