上一篇中，使用了这个apply函数和applymap函数，一开始还用错了，这里记录下两个函数的使用场景
pandas.DataFrame.apply
DataFrame.apply(self, func, axis=0, raw=False, result_type=None, args=(), **kwds)
Apply a function along an axis of the DataFrame.
是说，在DataFrame的某个轴上，应用一个函数，所以，我们可以使用axis来说明是在index还是column
一开始，我以为这个函数，是在index或者column上的每一个元素，调用传入的函数，但是，不是这样的哦，我们来看个例子
df = pd.DataFrame([[4, 9]] * 3, columns=['A', 'B'])
df
def do_print(x):
print(type(x))
print(x)
df.apply(do_print)
我们这里只是把传入的参数做了一个输出，看看传给函数的到底是什么，知道传入的是什么，就知道该怎么使用了
因为我们没有修改axis参数，所以默认就是0了
也就是说，axis=0是对每一个列column，进行调用传入的函数
再看看，我们的数据，我们的数据是有A、B两列，再看看我们的输出，第一次是一个series，输出的都是4，也就是A列；第二次输出的是series，输出的都是9，也就是B列，所以函数每次接收的都是一整列
而我们的函数，并没有返回值，所以，应用之后，返回的结果就是None了
所以呢，apply函数有什么使用场景呢？
比如，我们想要对某一列，或者某一行，进行一些筛选或者处理，比如对每列求和，求最大值这种，都是可以的哦
df.apply(lambda x : x.max())
df.apply(lambda x : x.sum())
当然了，因为传过来的是一个series，我们也可以对series进行操作
def add_one(x):
return x+1
df.apply(add_one)
pandas.DataFrame.applymap
DataFrame.applymap(self, func) → 'DataFrame'
Apply a function to a Dataframe elementwise.
applymap函数是针对每一个元素的，而不是像apply，是针对整行、整列
我们依然调用上面的输出函数，可以看到，这次传入的就是每一个元素了
所以，applymap的使用场景，就是对每一个元素进行处理
df.applymap(lambda x : x+1)
好了，这两个函数的介绍先到这里。
