一、apply() 函数 

DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)

参数解释：

（1）func：就是函数，不管是自定义的函数，还是匿名函数lambda

（2）axis：0表示以列作为一组计算，结果按行→，1表示以行作为一组（每条记录）计算，结果按列↓，默认axis=0

二、apply的使用总共基本用于三处：

（1）是你要对每条记录进行遍历用函数计算出一个值；此时，axis=1

（2）是你要对某一列进行操作；此时，axis=0

（3）是你groupby后要对每个group后的字表df 

df.apply(lambda x:func(x,args**)，axis=1)
df.apply(lambda x:func(x,args**)，axis=0)
df.groupby([column1]).apply(lambda x:func(x,args**))

三、理解apply核心在于明确两个环节：调度函数和作用对象。

调度函数就是apply接收的参数，既可以是Python内置的函数，也支持自定义函数，或者匿名函数lambda。只要符合指定的作用对象（即是标量scalar，还是一行或一列series，亦或一个dataframe）即可。

作用对象则取决于调用apply的对象类型，具体来说：

• 一个Series对象调用apply时，数据处理函数作用于该Series的每个元素上，即作用对象是一个标量，实现从一个Series转换到另一个Series；

• 一个DataFrame对象调用apply时，数据处理函数作用于该DataFrame的每一行或者每一列上，即作用对象是一个Series，实现从一个DataFrame转换到一个Series上；

• 一个DataFrame对象经过groupby分组后调用apply时，数据处理函数作用于groupby后的每个子dataframe上，即作用对象还是一个DataFrame（行是每个分组对应的行；列字段少了groupby的相应列），实现从一个DataFrame转换到一个Series上。

apply应用在Pandas中，其核心功能其实可以概括为一句话：我本身不处理数据，我们只是数据的搬运工。

apply自身是不带有任何数据处理功能的，但可以用作是对其他数据处理方法（函数）的调度器，至于调度什么又为谁而调度呢？这是理解apply的两个核心环节：

• 调用什么？调用的是apply函数接收的参数，即apply接收一个数据处理函数为主要参数，并将其应用到相应的数据上。所以调用什么取决于接收了什么样的数据处理函数；

• 为谁调度？即apply调用数据处理函数，其作用对象是谁？或者说数据处理的粒度是什么？答案是数据处理的粒度包括了点线面三个层面：即可以是单个元素（标量，scalar），也可以是一行或一列（series），还可以是一个dataframe。