pandas中DataFrame的apply()方法和applymap()方法，以及python内置函数map()

       我们经常会对DataFrame对象中的某些行或列，或者对DataFrame对象中的所有元素进行某种运算或操作，我们无需利用低效笨拙的循环，DataFrame给我们分别提供了相应的直接而简单的方法，apply()和applymap()。其中apply()方法是针对某些行或列进行操作的，而applymap()方法则是针对所有元素进行操作的。

       我们给出具体的例子看这两个方法是怎么工作的，代码入下。首先我们构造一个(3,4)的DataFrame对象df1，然后我们想对每列进行求和，便可以利用apply()方法结合匿名函数lambda实现。apply()方法中的第一个参数是函数，这里我们传递了一个匿名函数给apply()，当然我们还可以通过axis参数指定轴，比如这里我们可以令axis=1，则就会返回每行的求和，这里默认axis=0。

       然后如果我们想对df1中的每个元素进行操作，比如这个例子中我们是想让每个元素只保留两位小数，那么可以通过applymap()方法实现。applymap()方法就是针对元素级的方法，比如在in[20]中，我们通过给applymap()方法传递一个格式化表达的匿名函数，通过applymap()方法将这个函数应用到每个元素上以实现我们的目标。这里之所以叫applymap()方法，是因为在Series中有一个对元素级操作的map()方法，参数也为函数。

        当然，一些常用的运算和统计方法，DataFrame都是自己定义了的，因此我们不用自己再构造匿名函数。但是一般的，DataFrame自己的运算方法都是针对所有的行或所有列的，具体是行还是列可以通过axis参数指定。

       此外，python也有一个类似的内置函数map(func,iterable)，有两个参数，前者是一个方法，后者是被处理的可迭代对象，返回的是map对象。当然这个map对象可以直接通过list(map)等被显示转化为列表等对象。