pandas中利用apply來對數(shù)據(jù)進行處理十分常見，也十分的方便，原因在于apply方法可以調用函數(shù)：

        應用于dataframe的各個列

這里借用了一位老師的圖：（充分說明了group到apply的過程）

In [45]: df = pd.DataFrame({'a':[1,2,1,2],'b':[3,4,5,6]})
In [46]: df
Out[46]:
   a  b
0  1  3
1  2  4
2  1  5
3  2  6

group可以直接使用默認函數(shù)方法，也可以和apply的結合使用：

In [49]: df.groupby('a').sum()
Out[49]:
    b
a
1   8
2  10

In [52]: df.groupby('a').apply(sum)
Out[52]:
   a   b
a
1  2   8
2  4  10

當然也可以使用我們自己編寫的函數(shù)：

def reduce(dx):
	dx.sum()		#在apply中函數(shù)不需要加()，但是在其他地方調用函數(shù)需要加上()，不要搞混了
	return dx
In [60]: df.groupby('a').apply(reduce)
Out[60]:
   a   b
a
1  2   8
2  4  10

當調用函數(shù)，且需要加入其它參數(shù)時：

def reduce(dx,k):
	dx = dx*k
	return dx
In [73]: df.apply(reduce,axis=1,args=(2,))
Out[73]:
   a   b
0  2   6
1  4   8
2  2  10
3  4  12

多個參數(shù)：

def reduce(dx,k,kk):
	dx = dx*k+kk
	return dx
In [75]: df.apply(reduce,axis=1,args=(2,1,))
Out[75]:
   a   b
0  3   7
1  5   9
2  3  11
3  5  13

應用函數(shù)添加某列時：

def reduce(dx,k):
	dx['c'] = dx['a']*k + dx['b']
	return dx
In [77]: df.apply(reduce,axis=1,args=(2,))
Out[77]:
   a  b   c
0  1  3   5
1  2  4   8
2  1  5   7
3  2  6  10

一個小練習：

In [32]: data
Out[32]:
     Pclass  Survived
0         3         0
1         3         0
2         2         0
3         3         0
4         3         0
5         3         0
6         3         0
7         2         0
8         3         0
9         3         0
10        3         0
11        1         0
12        1         0
13        2         0
14        1         0
15        2         0
16        2         0

這里我們有兩列數(shù)據(jù)，完成通過Pclass的值，修改Survived為對應值（可以自行添加參數(shù)）

def reduce(dx):
	if dx['Pclass'] == 1:
		dx['Survived'] = 1
	elif dx['Pclass'] == 2:
		dx['Survived'] =2
	elif dx['Pclass'] == 3:
		dx['Survived'] = 3
	else:
		dx['Survived'] = 0
	return dx

首先編寫一個函數(shù)，再使用apply來調用

In [34]: data.apply(reduce,axis=1)
Out[34]:
     Pclass  Survived
0         3         3
1         3         3
2         2         2
3         3         3
4         3         3
5         3         3
6         3         3
7         2         2
8         3         3
9         3         3
10        3         3
11        1         1
12        1         1
13        2         2
14        1         1
15        2         2
16        2         2