要將自定義或其他庫的函式應用於Pandas物件，有三個重要的方法，下面來討論如何使用這些方法。使用適當的方法取決於函式是否期望在整個DataFrame，行或列或元素上進行操作。
pipe()apply()applymap()可以通過將函式和適當數量的引數作為管道引數來執行自定義操作。 因此，對整個DataFrame執行操作。
例如，為DataFrame中的所有元素相加一個值2。
adder 函式
adder函式將兩個數值作為引數相加並返回總和。
def adder(ele1,ele2):
return ele1+ele2
現在將使用自定義函式對DataFrame進行操作。
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.pipe(adder,2)
下面來看看完整的程式 -
import pandas as pd
import numpy as np
def adder(ele1,ele2):
return ele1+ele2
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.pipe(adder,2)
print df
執行上面範例程式碼，得到以下結果 -
col1 col2 col3
0 2.176704 2.219691 1.509360
1 2.222378 2.422167 3.953921
2 2.241096 1.135424 2.696432
3 2.355763 0.376672 1.182570
4 2.308743 2.714767 2.130288
可以使用apply()方法沿DataFrame或Panel的軸應用任意函式，它與描述性統計方法一樣，採用可選的axis引數。 預設情況下，操作按列執行，將每列列為陣列。
範例
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.apply(np.mean)
print df
執行上面範例程式碼，得到以下結果 -
col1 col2 col3
0 0.343569 -1.013287 1.131245
1 0.508922 -0.949778 -1.600569
2 -1.182331 -0.420703 -1.725400
3 0.860265 2.069038 -0.537648
4 0.876758 -0.238051 0.473992
通過傳遞axis引數，可以在行上執行操作。
範例-2
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.apply(np.mean,axis=1)
print df
執行上面範例程式碼，得到以下結果 -
col1 col2 col3
0 0.543255 -1.613418 -0.500731
1 0.976543 -1.135835 -0.719153
2 0.184282 -0.721153 -2.876206
3 0.447738 0.268062 -1.937888
4 -0.677673 0.177455 1.397360
範例-3
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.apply(lambda x: x.max() - x.min())
print df
執行上面範例程式碼，得到以下結果 -
col1 col2 col3
0 -0.585206 -0.104938 1.424115
1 -0.326036 -1.444798 0.196849
2 -2.033478 1.682253 1.223152
3 -0.107015 0.499846 0.084127
4 -1.046964 -1.935617 -0.009919
並不是所有的函式都可以向量化(也不是返回另一個陣列的NumPy陣列，也不是任何值)，在DataFrame上的方法applymap()和類似於在Series上的map()接受任何Python函式，並且返回單個值。
範例-1
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
# My custom function
df['col1'].map(lambda x:x*100)
print df
執行上面範例程式碼，得到以下結果 -
col1 col2 col3
0 0.629348 0.088467 -1.790702
1 -0.592595 0.184113 -1.524998
2 -0.419298 0.262369 -0.178849
3 -1.036930 1.103169 0.941882
4 -0.573333 -0.031056 0.315590
範例-2
import pandas as pd
import numpy as np
# My custom function
df = pd.DataFrame(np.random.randn(5,3),columns=['col1','col2','col3'])
df.applymap(lambda x:x*100)
print df
執行上面範例程式碼，得到以下結果 -
output is as follows:
col1 col2 col3
0 17.670426 21.969052 -49.064031
1 22.237846 42.216693 195.392124
2 24.109576 -86.457646 69.643171
3 35.576312 -162.332803 -81.743023
4 30.874333 71.476717 13.028751