它们的区别在于应用的对象不同。
1、map（）
map() 是一个Series的函数，DataFrame结构中没有map()。map()将一个自定义函数应用于Series结构中的每个元素(elements)。
例子：
df = pd.DataFrame({'key1' : ['a', 'a', 'b', 'b', 'a'],
'key2' : ['one', 'two', 'one', 'two', 'one'],
'data1' : np.arange(5),
'data2' : np.arange(5,10)})
df
我们现在用map来对列data1改成保留小数点后三位
#lambda在这里其实是在定义一个简单的函数，一个没有函数名的函数。
df['data1'] = df['data1'].map(lambda x : "%.3f"%x)
df
你也可以用map把key1的a改成c，b改成d
df['key1'] = df['key1'].map({'a':'c',"b":"d"})
df
lambda的好处就是简单、好写、好理解。坏处就是不能重复利用，在重复使用时还是要重新再定义。
2、apply（）
apply()将一个函数作用于DataFrame中的每个行或者列
axis参数：axis=0 按照列 ；axis=1 按照行
例子1：
我们现在用apply来对列data1，data2进行相加
#axis =1 ,apply function to each row.
#axis =0,apply function to each column,default 0
df['total'] = df[['data1','data2']].apply(lambda x : x.sum(),axis=1 )
df
df.loc['total'] = df[['data1','data2']].apply(lambda x : x.sum(),axis=0 )
df
例子2： 计算日期相减示例
平时我们会经常用到日期的计算，比如要计算两个日期的间隔，比如下面的一组关于 wbs 起止日期的数据：
wbs date_from date_to
job1 2019-04-01 2019-05-01
job2 2019-04-07 2019-05-17
job3 2019-05-16 2019-05-31
job4 2019-05-20 2019-06-11
假定要计算起止日期间隔的天数。比较简单的方法就是两列相减（datetime 类型)：
import pandas as pd
import datetime as dt
wbs = {
"wbs": ["job1", "job2", "job3", "job4"],
"date_from": ["2019-04-01", "2019-04-07", "2019-05-16","2019-05-20"],
"date_to": ["2019-05-01", "2019-05-17", "2019-05-31", "2019-06-11"]
}
df = pd.DataFrame(wbs)
df['elpased'] = df['date_to'].apply(pd.to_datetime) -
df['date_from'].apply(pd.to_datetime)
apply() 函数将 date_from 和 date_to 两列转换成 datetime 类型。我们 print 一下 df:
wbs date_from date_to elapsed
0 job1 2019-04-01 2019-05-01 30 days
1 job2 2019-04-07 2019-05-17 40 days
2 job3 2019-05-16 2019-05-31 15 days
3 job4 2019-05-20 2019-06-11 22 days
日期间隔已经计算出来，但后面带有一个单位 days，这是因为两个 datetime 类型相减，得到的数据类型是 timedelta64，如果只要数字，还需要使用 timedelta 的 days 属性转换一下。
elapsed= df['date_to'].apply(pd.to_datetime) -
df['date_from'].apply(pd.to_datetime)
df['elapsed'] = elapsed.apply(lambda x : x.days)
使用 DataFrame.apply() 函数也能达到同样的效果，我们需要先定义一个函数 get_interval_days() 函数的第一列是一个 Series 类型的变量，执行的时候，依次接收 DataFrame 的每一行。
import pandas as pd
import datetime as dt
def get_interval_days(arrLike, start, end):
start_date = dt.datetime.strptime(arrLike[start], '%Y-%m-%d')
end_date = dt.datetime.strptime(arrLike[end], '%Y-%m-%d')
return (end_date - start_date).days
wbs = {
"wbs": ["job1", "job2", "job3", "job4"],
"date_from": ["2019-04-01", "2019-04-07", "2019-05-16","2019-05-20"],
"date_to": ["2019-05-01", "2019-05-17", "2019-05-31", "2019-06-11"]
}
df = pd.DataFrame(wbs)
df['elapsed'] = df.apply(
get_interval_days, axis=1, args=('date_from', 'date_to'))
3、applymap（）
将函数做用于DataFrame中的所有元素(elements)
例子：
例如，在所有元素前面加个字符A
def addA(x):
return "A" + str(x )
df.applymap(addA)
其实，只要转换一下，三者都是可以通用的，就看你写代码的时候，你的对象写的是那个了，是是一列，一行，还是全部。
学习链接：https://blog.csdn.net/stone0823/article/details/100008619
