Pandas是用Python操纵表格数据的绝妙库。开箱即用的Pandas提供了许多添加，删除和更新列和行的方法，但有时您需要更多的功能。
在本文中，我们将探索apply函数，并展示如何使用数据帧中的每个行（或列）运行操作 - 以及您为什么要这样做。
您为什么需要Pandas申请？
在大熊猫中
# Add a release_month column calculated from the existing release_date column
df['release_month'] = pd.DatetimeIndex(df['release_date']).month
仅通过在数据框架上使用索引器，我们可以添加或更新列以在数据框中为每个行都有一个新值。
但是，在这样做时，我们仅限于表达式，这些表达式足够简单，可以轻松地在分配操作员的右侧表达。
值得庆幸的是，apply函数存在于pandas dataframes上，让我们可以为每行运行自定义功能。
使用应用程序将Python函数应用于数据帧行
我们可以使用pandas apply函数将单个函数应用于数据框中的每个行（或列）。这使我们能够运行复杂的计算并使用这些计算来设置列值。
例如，假设我们有一个带有keyword_json列的数据框，该列包含一些代表标签的JSON。我们可能想解析此JSON并生成逗号分离的关键字值列表。然后可以将此关键字列表设置为keywords列。
首先，我们声明一个可以为每一行调用的extract_keywords函数：
def extract_keywords(row):
"""
This function takes in a row, gets some JSON representing keywords out of
its keyword_json column, and then builds a comma-separated list of values
that gets set into a new keywords column.
"""
# Grab our JSON for the keywords we want to process
data = row['keyword_json']
# additional JSON cleaning logic omitted for brevity
# Start with an empty list of keywords
keywords = ''
# Loop over all loaded keywords and append them to the string
loaded_keywords = json.loads(data)
for item in loaded_keywords:
keywords = keywords + item['name'] + ','
# Add the keywords column with the final calculated string
# If keywords already existed, its value would be replaced
row['keywords'] = keywords
# Return the modified row
return row
接下来，我们将pandas dataframe上的apply调用以调用每行一次功能。
重要说明：默认情况下，apply将在每个列而不是每个 row 上进行操作，因此我们指定axis=1以与行一起使用。
df = df.apply(extract_keywords, axis=1)
此调用每行一次函数，然后用返回的值替换行。
喜欢大熊猫数据框中的几乎所有其他内容，apply函数不会修改原始dataframe，而是返回一个新的函数。
结束思想
调用apply功能相当慢，但是它具有很大的功能，可以使您可以在数据集上进行复杂的操作。
此外，将复杂的逻辑存储在函数中，而不是尝试执行所有内联行动可以提高代码的可读性。提高可读性通常会提高可维护性，因此这可能是一件非常好的事情。
虽然我总是尝试避免使用apply，但是，当您使用pandas执行功能工程和数据争吵时，apply函数可以为您解决大量问题。