本文介绍一下关于 Pandas 中 apply() 函数的几个常见用法，apply() 函数的自由度较高，可以直接对 Series 或者 DataFrame 中元素进行逐元素遍历操作，方便且高效，具有类似于 Numpy 的特性。
apply() 使用时，通常放入一个 lambda 函数表达式、或一个函数作为操作运算，官方上给出的 apply() 用法：
DataFrame.apply(self, func, axis=0, raw=False, result_type=None, args=(), **kwds
func 代表的是传入的函数或 lambda 表达式；
axis 参数可提供的有两个，该参数默认为0/列
0 或者 index ，表示函数处理的是每一列；
1 或 columns ，表示处理的是每一行;
raw ；bool 类型，默认为 False;
False ，表示把每一行或列作为 Series 传入函数中；
True，表示接受的是 ndarray 数据类型；
apply() 最后的是经过函数处理，数据以 Series 或 DataFrame 格式返回。
下面用几个例子来介绍一下 apply() 的具体使用；
DataFrame 使用apply()
1，计算每个元素的平方根
这里为了方便，直接用到 numpy 的 sqrt 函数；
>>> df =pd.DataFrame([[4,9]]*3,columns = ['A','B']) >>> df A B 0 4 9 1 4 9 2 4 9 >>> df.apply(np.sqrt) A B 0 2.0 3.0 1 2.0 3.0 2 2.0 3.0
2，计算每一行元素的平均值
这里传入数据是以列的形式存在的，所以 axis = 0，即可以省略；
>>> df.apply(np.mean) A 4.0 B 9.0
3，计算每一列元素的平均值
与 2 不同的是这里以行的行形式传入，要加一个参数 axis =1；
>>> df.apply(np.mean,axis = 1) 0 6.5 1 6.5 2 6.5 dtype: float64
4，添加新列C，其值分别为列A、B之和
实现这个功能，最简单的一行代码即可实现:
df['C'] = df.A +df.B
但这里要用 apply() 来实现，实现对列间操作的用法，操作步骤分为下面两步：
1，先定义一个函数实现 列A + 列B ；
2，利用apply() 添加该函数，且数据需要逐行加入，因此设置axis = 1
>>> def Add_a(x): ... return x.A+x.B >>> df['C'] = df.apply(Add_a,axis=1) >>> df A B C 0 4 9 13 1 4 9 13 2 4 9 13
Series 使用apply()
Series 使用 apply() 函数与 DataFrame 相似，用法上最大区别就是加了一个列名 DataFram.类名
**1，列 A 中所有元素加 1 **
不用 apply() 的方法
df.A =df.A +1
利用 apply() 函数进行操作，这里我传入一个 lambda 函数：
>>> df.A = df.A.apply(lambda x:x+1) >>> df A B C 0 5 9 13 1 5 9 13 2 5 9 13
*2，判断列 A 中元素是否能够被2整除，用 Yes 或 No在旁边标注 **
>>> df.A = df.A.apply(lambda x:str(x)+"\tYes" if x%2==0 else str(x)+"\tNo") >>> df A B 0 5\tNo 9 1 5\tNo 9 2 5\tNo 9
apply() 的大部分用法都是上面几点，区别是这里列的例子较简单一些，但对于基础用法理解上来说已经足够了。
以上就是本文的所有内容，最后感谢大家阅读！
