pandas 如何apply

`pandas` 库是一个强大的数据处理工具，在Python中广泛用于数据分析。`apply()` 函数是 `pandas` 提供的一个重要功能，它允许我们对 DataFrame 或 Series 中的数据执行自定义函数的操作。这个函数非常灵活，可以应用于一维或二维数组上。

### `apply()` 的基本用法

假设您有一个简单的 DataFrame：

import pandas as pd

data = {'A': [10, 20, 30],
        'B': [40, 50, 60]}
df = pd.DataFrame(data)

要应用特定函数到 DataFrame 的每一列或每一行，您可以使用 `apply()` 函数。例如，如果我们想要计算每个数值元素的平方：

squared_df = df.apply(lambda x: x**2)

这里，我们传递了一个 lambda 函数 `lambda x: x**2` 到 `apply()`, 这个函数将被应用于每一列。

### 参数说明

`DataFrame.apply(func, axis=0)`:

- **func**: 应用的功能，可以是内置函数、用户自定义函数或者其他可调用的对象。
- **axis**: 指定操作的轴，默认值是 `0`(操作行)，如果设置为 `1`，则表示操作列。

#### 例子：按行应用函数

df.apply(lambda row: row.max() - row.min(), axis=1)  

这会返回一个新的 Series，其中每个元素代表原始 DataFrame 中相应行的最大值减去最小值。

#### 相关问题：
1. **如何仅针对某一列应用函数?**
- 可以直接指定该列作为输入参数给函数，或者通过 `.loc[]` 或 `.iloc[]` 索引选择该列再应用函数。

2. **能否在 `apply()` 中同时处理 DataFrame 和 Series?**
- 当函数需要同时访问 DataFrame 和 Series 数据时，可以通过向函数传入整个 DataFrame 来实现，而不是单个列名。

3. **`apply()` 与其它数据转换方法（如 `agg()`、`transform()`）有何区别?**
- `apply()` 允许最广泛的自定义功能，但它可能会相对更慢一些。
- `agg()` 主要是针对聚合操作，通常比 `apply()` 更快，并且能够更容易地组合多个统计运算结果。
- `transform()` 在原地对数据执行变换（例如 `log()`），并返回原始数据类型的结果。适用于快速、高效的数据转换任务。