本文主要介绍python中apply函数的细节。这个函数最有用的参数是第一个参数，它是一个函数，相当于C/C的函数指针，更多细节可以参考下面这篇文章给朋友们看。
函数原型：
DataFrame.apply(func，axis=0，broadcast=False，raw=False，reduce=None，args=()，**kwds)
1.这个函数最有用的是第一个参数，它是一个函数，相当于C/C. 2的函数指针。这个功能需要自己实现。函数的传入参数是根据axis确定的，比如axis=1，一行数据会作为Series的数据结构传入到自己实现的函数中。我们在函数中实现Series不同属性之间的计算并返回一个结果，然后apply函数会自动遍历DataFrame的每一行数据，最后将所有结果组合成一个Series数据结构并返回。3.apply函数通常与groupby函数一起使用，如下图所示：
举栗子
对指定列进行操作：
data=np.arange(0，16)。整形(4，4)
数据=pd。DataFrame(data，columns=['0 '，' 1 '，' 2 '，' 3'])
定义f(x):
返回x-1
打印(数据)
print(data.ix[:['1 '，' 2']])。应用(f))
0 1 2 3
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
3 12 13 14 15
1 2
0 0 1
1 4 5
2 8 9
3 12 13
对行操作：
data=np.arange(0，16)。整形(4，4)
数据=pd。DataFrame(data，columns=['0 '，' 1 '，' 2 '，' 3'])
定义f(x):
返回x-1
打印(数据)
print(data.ix[[0，1]，]。应用(f))
0 1 2 3
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
3 12 13 14 15
0 1 2 3
0 -1 0 1 2
1 3 4 5 6
整体对列操作：
data=np.arange(0，16)。整形(4，4)
数据=pd。DataFrame(data，columns=['0 '，' 1 '，' 2 '，' 3'])
定义f(x):
return x.max()
打印(数据)
print(data.apply(f))
0 1 2 3
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
3 12 13 14 15
0 12
1 13
2 14
3 15
dtype: int64
整体对行操作：
data=np.arange(0，16)。整形(4，4)
数据=pd。DataFrame(data，columns=['0 '，' 1 '，' 2 '，' 3'])
定义f(x):
return x.max()
打印(数据)
print(data.apply(f，axis=1))
0 1 2 3
0 0 1 2 3
1 4 5 6 7
2 8 9 10 11
3 12 13 14 15
0 3
1 7
2 11
3 15
dtype: int64
关于python中apply函数的细节，本文就到这里了。有关python中apply函数的更多信息，请搜索我们以前的文章或继续浏览下面的相关文章。希望你以后能支持我们！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。