結論

• apply：用在dataframe上，用於對row或者column進行計算；
• applymap：用於dataframe上，是元素級別的操作；
• map：（其實是python自帶的）用於series上，是元素級別的操作。

apply函式

apply函式：pandas裡面所有函式中自由度最高的函式。該函式如下：

DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)

該函式最有用的是第一個引數，這個引數是函式，相當於C/C++的函式指標。

這個函式需要自己實現，函式的傳入引數根據 axis 來定，比如 axis = 1，就會把一行資料作為Series的資料
結構傳入給自己實現的函式中，我們在函式中實現對Series不同屬性之間的計算，返回一個結果，則apply函式
會自動遍歷每一行DataFrame的資料，最後將所有結果組合成一個Series資料結構並返回。

import pandas as pd
import numpy as np
from pandas import DataFrame
from pandas import Series
df1= DataFrame({
                "sales1"
 
:[-1,2,3],
                "sales2":[3,-5,7],
               })
print(df1)
print(df1.apply(lambda x :x.max()-x.min(),axis=1))
# 0    4
# 1    7
# 2    4
# dtype: int64
print(df1.apply(lambda x :x.max()-x.min(),axis=0))
# sales1     4
# sales2    12
# dtype: int64

applymap函式

當我們要對資料框（DataFrame）的每一個數據進行操作時用applymap()，返回結果是DataFrame格式

df1.applymap(lambda x : 1 if x>0 else 0)
# 從下面的結果可以看出，我們使用了applymap函式之後，
# 系統自動對每一個數據進行判斷，判斷之後輸出結果

map函式

當我們要對Series的每一個數據進行操作時用map()

df1.sales1.map(lambda x : 1 if x>0 else 0)

輸出結果

# 0    0
# 1    1
# 2    1
# Name: sales1, dtype: int64