apply 是非常常用的一个函数，在处理数据过程中非常有效。因此，在此做一个分享总结。
在处理过程中，最麻烦的其实是涉及 axis =0 或者1 的问题。
在说明之前非常有必要要说明axis 的定义问题
df=pd.DataFrame({'a':[1,4],'b':[2,5],'c':[3,6]})
| index | a | b | c |
|---|---|---|---|
| 1 | 1 | 2 | 3 |
| 2 | 4 | 5 | 6 |
再提前要说明下apply 的运行机制，apply 后面会传进去一个向量，然后函数作用在这个向量上进行计算，然后会传出一个值或者向量或者其他，需要其他相应格式再承接出来。
然后要再区分开一个不同就是apply 作用的向量是row还是columns,如果是row那么axis=1,如果是columns，那么axis=0，（切记），而且axis=0 ，永远都是默认值。
然后再看，如果是axis=0，那么作用的是列，那么你会发现结果所有的行进行计算(就是说那么多行会发生挤压或者压缩或者扩张之类的变化)。
如下所示：
df.apply(np.sum)# 变成一个series
| index | a |
|---|---|
| a | 5 |
| b | 7 |
| c | 9 |
或者也可以变成一个dataframe,这都是不同的函数导致，这个无所谓
df.apply(lambda x:x.head(1))
| index | a | b | c |
|---|---|---|---|
| 1 | 1 | 2 | 3 |
如果axis=1呢？
df.apply(np.sum,axis=1)# 变成一个series
| index | value |
|---|---|
| 0 | 6 |
| 1 | 15 |
所以总结下，当axis=0， 传进去函数的是列向量，但其实还是进行行运算，当axis=1， 传进去函数的是行向量，但其实还是进行列运算。
如果你是一个比较深入用pandas 的用户，你会发现
dropna axis=0 删除空值所在行
axis =1 删除空值所在列
drop axis=0 删除所在行
axis =1 删除所在列
其实在这里，也不矛盾，axis=0，默认的都是进行 行运算。
Series
不涉及axis 的问题，非常简单。
