pandas官方文档http://pandas.pydata.org/pandas-docs/stable/index.html
作用：在Pandas中应用函数
1. apply的使用（最为灵活的使用）
- 常见使用方式：
import pandas as pd
import numpy as np
dates = pd.date_range('20130101', periods=6)
df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list('ABCD')) # 通过index和columns定义行索引和列索引
df
A B C D
2013-01-01 0.345018 -1.152533 0.579335 0.785159
2013-01-02 0.345413 -1.789114 -1.291485 0.748488
2013-01-03 -0.463054 0.836781 -0.534286 0.408583
2013-01-04 1.056680 -2.314360 -0.148108 0.518469
2013-01-05 -1.387264 -1.029623 -1.805952 -0.904334
2013-01-06 -0.073426 0.413364 -0.371006 -0.023453
df.apply(sum)
A -0.521652
B -3.882952
C -3.571501
D 30.000000
F 18.000000
dtype: float64
df.apply(sum,axis=0)
A -0.521652
B -3.882952
C -3.571501
D 30.000000
F 18.000000
dtype: float64
df.apply(sum,axis=1)
2013-01-01 8.579335
2013-01-02 3.264814
2013-01-03 6.839441
2013-01-04 6.594212
2013-01-05 4.777161
2013-01-06 9.968932
Freq: D, dtype: float64
总结：默认将函数作用于每一列，可以通过设置axis来设定函数作用的轴，0作用在列，1作用在行
- 通过apply作用在指定的列或指定的行(接着上面的代码演示)
df["B"].apply(sum) # 想将sum函数作用在B列
TypeError: 'float' object is not iterable
原本想通过以上代码将sum函数作用在B列，结果报错了，于是换了一种方式：
df[["B"]].apply(sum) # 作用于指定行，两个中括号
B -3.882952
dtype: float64
用以上代码就成功了，于是就想着查看一下原因在那里。
print(type(df["B"]))
<class 'pandas.core.series.Series'>
print(type(df[["B"]]))
<class 'pandas.core.frame.DataFrame'>
通过以上代码可以看出两者的区别在于一个中括号返回的是Series类型，而两个中括号返回的是DataFrame格式。
于是就在想难道是apply只能作用在DataFrame类型而不能作用在Series类型上，于是又做了一下测试：
s = pd.Series([1, 3, 5, 6, 6, 8])
s
0 1
1 3
2 5
3 6
4 6
5 8
s.apply(lambda x:x+50)
0 51
1 53
2 55
3 56
4 56
5 58
通过这段测试代码发现不是这个原因导致，apply可以作用于Series类型，那么问题又出在那里呢，于是看看异常，是TypeError: ‘float’ object is not iterable，难道是sum函数的问题，于是又接着测试：
b=pd.DataFrame(s)
b
0
0 1
1 3
2 5
3 6
4 6
5 8
b.apply(sum)
0 29
dtype: int64
s.apply(sum)
TypeError: 'int' object is not iterable
sum([1,2])
3
sum(1,2)
TypeError: 'int' object is not iterable
通过上述代码可以发现sum函数的参数需要可迭代的，当给1,2时，sum作用在1时int类型不可迭代，所以报出异常，同理在Series类型的s中，sum作用在第一个元素1上时也是int类型，所以报错。而作用在DataFrame类型b上时，sum作用在b的第一个元素上（即b[0]一个Series类型的数据）是可以迭代的，所以正常运行。
apply的使用总结：
- apply可以将函数作用于行或列上，通过axis来设置作用轴，默认为0作用在列上，设置为1作用在行上
- 跟据传入函数的传参要求进行传参
2.map的使用
代码还是接着上方代码演示
df
A B C D
2013-01-01 0.345018 -1.152533 0.579335 0.785159
2013-01-02 0.345413 -1.789114 -1.291485 0.748488
2013-01-03 -0.463054 0.836781 -0.534286 0.408583
2013-01-04 1.056680 -2.314360 -0.148108 0.518469
2013-01-05 -1.387264 -1.029623 -1.805952 -0.904334
2013-01-06 -0.073426 0.413364 -0.371006 -0.023453
df["A"].map(lambda x:x+50) # 作用于指定列的元素
2013-01-01 50.000000
2013-01-02 50.345413
2013-01-03 49.536946
2013-01-04 51.056680
2013-01-05 48.612736
2013-01-06 49.926574
Freq: D, Name: A, dtype: float64
df[["A"]].map(lambda x:x+50)
AttributeError: 'DataFrame' object has no attribute 'map'
map使用总结：map只能将函数作用在Series类型上，通过异常很容易发现DataFrame没有这个特性。（两个中括号和一个钟阔号取值的区别上面的代码已经做出说明）
3.applymap的使用
df
A B C D F
2013-01-01 0.000000 0.000000 0.579335 5 3.0
2013-01-02 0.345413 -1.789114 -1.291485 5 1.0
2013-01-03 -0.463054 0.836781 -0.534286 5 2.0
2013-01-04 1.056680 -2.314360 -0.148108 5 3.0
2013-01-05 -1.387264 -1.029623 -1.805952 5 4.0
2013-01-06 -0.073426 0.413364 -0.371006 5 5.0
df.applymap(lambda x:x+50) # 作用于表格中所有元素
A B C D
2013-01-01 50.000000 50.000000 50.579335 55 53.0
2013-01-02 50.345413 48.210886 48.708515 55 51.0
2013-01-03 49.536946 50.836781 49.465714 55 52.0
2013-01-04 51.056680 47.685640 49.851892 55 53.0
2013-01-05 48.612736 48.970377 48.194048 55 54.0
2013-01-06 49.926574 50.413364 49.628994 55 55.0
df[["A","B"]].applymap(lambda x:x+50) # 作用于指定的几列元素
A B
2013-01-01 50.000000 50.000000
2013-01-02 50.345413 48.210886
2013-01-03 49.536946 50.836781
2013-01-04 51.056680 47.685640
2013-01-05 48.612736 48.970377
2013-01-06 49.926574 50.413364
df["A"].applymap(lambda x:x+50) # 作用于指定的几列元素
AttributeError: 'Series' object has no attribute 'applymap'
applymap使用总结:将行数作用在表格中每个单元的数据上，但是只能用在DataFrame类型上，Series类型没有这一特性，和map相反。
