如果想要应用自定义的函数，或者把其他库中的函数应用到 Pandas 对象中，有以下三种方法：

• 1) 操作整个 DataFrame 的函数：pipe()
• 2) 操作行或者列的函数：apply()
• 3) 操作单一元素的函数：applymap()

如何从上述函数中选择适合的函数，这取决于函数的操作对象。下面介绍了三种方法的使用。

操作整个数据表

通过给 pipe() 函数传递一个自定义函数和适当数量的参数值，从而操作 DataFrme 中的所有元素。下面示例，实现了数据表中的元素值依次加 3。

首先自定义一个函数，计算两个元素的加和，如下所示：

1. def adder(ele1,ele2):
2. return ele1+ele2

然后使用自定义的函数对 DataFrame 进行操作：

1. df = pd.DataFrame(np.random.randn(4,3,columns=['c1','c2','c3'])
2. #传入自定义函数以及要相加的数值3
3. df.pipe(adder,3)

完整的程序，如下所示：

1. import pandas as pd
2. import numpy as np
3. #自定义函数
4. def adder(ele1,ele2):
5. return ele1+ele2
6. #操作DataFrame
7. df = pd.DataFrame(np.random.randn(4,3),columns=['c1','c2','c3'])
8. #相加前
9. print(df)
10. #相加后
11. print(df.pipe(adder,3))

输出结果：

         c1        c2        c3
0  1.989075  0.932426 -0.523568
1 -1.736317  0.703575 -0.819940
2  0.657279 -0.872929  0.040841
3  0.441424  1.170723 -0.629618
         c1        c2        c3
0  4.989075  3.932426  2.476432
1  1.263683  3.703575  2.180060
2  3.657279  2.127071  3.040841
3  3.441424  4.170723  2.370382

操作行或列

如果要操作  DataFrame 的某一行或者某一列，可以使用 apply() 方法，该方法与描述性统计方法类似，都有可选参数 axis，并且默认按列操作。示例如下：

1. import pandas as pd
2. import numpy as np
3. df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
4. df.apply(np.mean)
5. #默认按列操作，计算每一列均值
6. print(df.apply(np.mean))

输出结果：

col1    0.277214
col2    0.716651
col3   -0.250487
dtype: float64

传递轴参 axis=1， 表示逐行进行操作，示例如下：

1. import pandas as pd
2. import numpy as np
3. df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
4. print(df)
5. print (df.apply(np.mean,axis=1))

输出结果：

       col1      col2      col3
0  0.210370 -0.662840 -0.281454
1 -0.875735  0.531935 -0.283924
2  1.036009 -0.958771 -1.048961
3 -1.266042 -0.257666  0.403416
4  0.496041 -1.071545  1.432817

0   -0.244641
1   -0.209242
2   -0.323908
3   -0.373431
4    0.285771
dtype: float64

求每一列中，最大值与最小值之差。示例如下：

1. import pandas as pd
2. import numpy as np
3. df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
4. print(df.apply(lambda x: x.max() - x.min()))

输出结果:

col1    3.538252
col2    2.904771
col3    2.650892
dtype: float64

操作单一元素

DataFrame 数据表结构的 applymap() 和 Series 系列结构的 map() 类似，它们都可以接受一个 Python 函数，并返回相应的值。

示例如下：

1. import pandas as pd
2. import numpy as np
3. df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
4. #自定义函数lambda函数
5. print(df['col1'].map(lambda x:x*100))

输出结果：

0    -18.171706
1      1.582861
2     22.398156
3     32.395690
4   -133.143543
Name: col1, dtype: float64

下面示例使用了 applymap() 函数，如下所示：

1. import pandas as pd
2. import numpy as np
3. #自定义函数
4. df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
5. print(df.applymap(lambda x:x*10))
6. print(df.apply(np.mean))

输出结果：

        col1       col2       col3
0  -1.055926   7.952690  15.225932
1   9.362457 -12.230732   7.663450
2   2.910049  -2.782934   2.073905
3 -12.008132  -1.444989   5.988144
4   2.877850   6.563894   8.192513
#求均值：
col1    0.041726
col2   -0.038841
col3    0.782879
dtype: float64