map,apply,applymap
**

apply：应用在DataFrame的行或列中；
applymap：应用在DataFrame的每个元素中；
map：应用在单独一列（Series）的每个元素中。

**

apply()方法
前面也说了apply方法是一般性的“拆分-应用-合并”方法。 apply()将一个函数作用于DataFrame中的每个行或者列 它既可以得到一个经过广播的标量值，也可以得到一个相同大小的结果数组。我们先来看下函数形式：

df.apply(func, axis=0, raw=False, result_type=None, args=(), **kwds)

func : 函数应用于每一列或每一行
axis: 0或“索引”：将函数应用于每一列。 1或“列”：将函数应用于每一行。

df = pd.DataFrame([[4, 9]] * 3, columns=['A', 'B'])
# 1或“列”：将函数应用于每一行。
df.apply(np.sum, axis=1)#获取每行的总和

可以设置一个def方法，用其对进行运算

def cal_result(df, x, y):
    df['C'] = (df['A'] + df['B']) * x
    df['D'] = (df['A'] + df['B']) * y
    return df
df.apply(cal_result, x=3, y=8, axis=1)

在这里我们先定义了一个 cal_result 函数，它的作用是计算 A,B 列和的 x 倍和 y 倍添加到 C,D 列中。这里有三种方式可以完成参数的赋值，
第一种方式直接通过关键字参数赋值，指定参数的值；
第二种方式是使用 args 关键字参数传入一个包含参数的元组；

df.apply(cal_result, args=(3, 8), axis=1) 

第三种方式传入通过 ** 传入包含参数和值的字典

df.apply(cal_result, **{'x': 3, 'y': 8}, axis=1)

apply的使用是很灵活的，再举一个例子，配合 loc 方法我们能够在最后一行得到一个总和：

df.loc[2] = df.apply(np.sum)
df

applymap()方法
该方法针对DataFrame中的元素进行操作，还是使用这个数据： df.applymap(func)
applymap方法操作的是其中的元素，并且是对整个DataFrame进行了格式化，我们也可以选择行或列中的元素：
df[['A']]
特别注意：

df['A'].applymap(lambda x: '%.2f'%x)  # 异常 

需要注意的是这里必须使用 df[[‘A’]] ，表示这是一个DataFrame，而不是一个Series，如果使用 df[‘A’] 就会报错。同样从行取元素也要将它先转成DataFrame。还需要注意apply方法和applymap的区别：
apply方法操作的是行或列的运算，而不是元素的运算，比如在这里使用格式化操作就会报错；
applymap方法操作的是元素，因此没有诸如axis这样的参数，它只接受函数传入。

map()方法
如果你对applymap方法搞清楚了，那么map方法就很简单，说白了map方法是应用在Series中的，还是举上面的例子

# 注意Series没有applymap方法
df['A'].map(lambda x: '%.2f'%x)