在日常处理数据的过程中，会经常遇到这样的情况，对一个DataFrame进行逐行、逐列或者逐元素的操作，很多小伙伴也知道需要用到apply、map或者applymap，但是具体什么情况下运用哪种方法或者说对这些方法了解不够，用起来晕晕乎乎始终没有很明白，希望这一篇文章能够帮助有需要的小伙伴弄懂他们之间的区别，并且在遇到问题的时候能够很清楚明白用哪个以及该怎样使用。闲话少叙，我们正式开始吧。
首先，来个总结
- apply：应用在DataFrame的行或列中，也可以应用到单独一个Series的每个元素中
- map：应用在单独一个Series的每个元素中
- applymap：应用在DataFrame的每个元素中
apply
先从apply开始，当然最权威的说明还是要看官方文档：
apply是沿DataFrame的轴应用功能，传递给函数的对象是Series对象，其索引为DataFrame的索引(axis = 0'')或DataFrame的列(axis = 1'')
当然比较常用的还是DataFrame.apply(),下边我们通过例子来说明一下帮助理解.
首先有一个表：
apply应用到DataFrame中
如果我们求一下每一列或者每一列的极差，注意axis参数的设置，一般默认为0，即求每一列的极值
apply的参数可以直接接收现成的函数，也可以接收自定义函数，比如自定义的匿名函数：
通过对轴信息的设置，也可以求每一行的极差：
需要注意的是结果的索引，能够很明显的告诉大家现在求的是行极差还是列极差，如果是行极差，索引是行标签，如果是列极差，索引是列名。
另外，对整个DataFrame运用apply的时候，要保证所有的字段都是符合作为参数的函数要求才可以，比如在列子中求极值得保证所有字段都是数值型才行，如果整个DataFrame不能满足要求，可以把符合要求的字段切出来再应用apply。
如果有需要，也可以把求的结果添加到原表当中。
apply应用到Series中
如这个例子，将A列的所有元素转换数据类型，从整型转换成浮点型：
总结一下，apply运用到整个DataFrame中可以执行整列或者整行的运算，运用到Series中，执行的是对每个元素的运算。
这个运算，map也可以实现。
map
首先，还是看下官方文档是怎么说的：
- 根据输入对应关系映射Series的值。
- 用于将Series中的每个值替换为另一个值，该值可以从函数dict或Series派生。
官方指定，map是应用于Seriesd 的，参数可以是函数也可以字典。
首先，还是要有一个表：
现在需要将性别转换成0和1，女为0，男为1，这个时候千万不要写循环啊，map()可以轻松实现，先来试试函数的形式：
def gender(x): G = 1 if x == "男" else 0 return G
map的参数除了可以是参数，也可以是字典，这和apply对参数的要求不同：
applymap
最后来看一下applymap，还是先搬上官方文档：
- 将函数应用于元素的数据框。
- 此方法应用一个函数，该函数接受并返回一个标量到DataFrame的每个元素。
简单说，applymap是把函数应用到DataFrame中的每个元素上的，要和apply对整列或者整行进行的操作区分开啊，apply想要直接对每个元素进行操作，得单独提取出Series才可以实现，不能直接再整个DataFrame上执行。下边来看个例子。
还是开头的那个表：
现在要把每个元素的数据类型都转换成浮点型，applymap()就派上用场了：
最后再总结一下：
apply：
- 既可以用在DataFrame，也可以用到单独的Series中
- 运用到DataFrame时，是用到了整行或者整列上，不是逐一运用到每个元素上
- 运用到Series时，作用到每个元素上
- 第一个参数只接收python原生函数或者numpy中的函数
map
- 只能运用到Series的每个元素上
- 参数可以是函数也可以是字典，还可以是序列
applymap
- 只能应用在DataFrame中，并且是作用在DataFrame的每个元素中
- 参数只接收可调用的函数
常用的用法呢就是前边举的例子中的那些了，希望这边文章能帮助大家分清apply、map和applymap并能灵活运用它们。
