函数格式为：apply(func,*args,**kwargs)

用途：当一个函数的参数存在于一个元组或者一个字典中时，用来间接的调用这个函数，并肩元组或者字典中的参数按照顺序传递给参数

解析：args是一个包含按照函数所需参数传递的位置参数的一个元组，是不是很拗口，意思就是，假如A函数的函数位置为 A(a=1,b=2),那么这个元组中就必须严格按照这个参数的位置顺序进行传递(a=3,b=4)，而不能是(b=4,a=3)这样的顺序
kwargs是一个包含关键字参数的字典，而其中args如果不传递，kwargs需要传递，则必须在args的位置留空

apply的返回值就是函数func函数的返回值

def function(a,b): 
     print(a,b) 
 apply(function,('good','better')) 
 apply(function,(2,3+6)) 
 apply(function,('cai','quan')) 
 apply(function,('cai',),{'b':'caiquan'}) 
 apply(function,(),{'a':'caiquan','b':'Tom'}) 
 #--使用 apply 函数调用基类的构造函数 
 class Rectangle: 
     def __init__(self, color="white", width=10, height=10): 
         print "create a", color, self, "sized", width, "x", height 
    
 class RoundedRectangle(Rectangle): 
     def __init__(self, **kw): 
         apply(Rectangle.__init__, (self,), kw) 
 rect = Rectangle(color="green", height=100, width=100) 
 rect = RoundedRectangle(color="blue", height=20)

输出结果：

('good', 'better')
(2, 9)
('cai', 'quan')
('cai', 'caiquan')
('caiquan', 'Tom')
create a green <__main__.Rectangle instance at 0x0678FA08> sized 100 x 100
create a blue <__main__.RoundedRectangle instance at 0x06620468> sized 10 x 20

apply函数默认的是axis为 axis=0

'''
学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025
寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
data= [
    [1,2,3],
    [5,4,1],
    [3,2,2]
]
df = pd.DataFrame(data,columns=['A','B','C'])<br>f = lambda x: (x - np.min(x)) / (np.max(x) - np.min(x)) 
print(df)
 
    A  B  C
0  1  2  3
1  5  4  1
2  3  2  2

1、axis=1

df1 = df.copy()
df1 = df1.apply(f,axis=1)   #计算的时候取的是行数
df1
         A      B     C
0    0.0    0.50    1.0
1    1.0    0.75    0.0
2    1.0    0.00    0.0

2、axis=2

'''
学习中遇到问题没人解答？小编创建了一个Python学习交流QQ群：531509025
寻找有志同道合的小伙伴，互帮互助,群里还有不错的视频学习教程和PDF电子书！
'''
df2 = df.copy()
df2 = df2.apply(f,axis=0)
df2

         A    B    C
0    0.0    0.0    1.0
1    1.0    1.0    0.0
2    0.5    0.0    0.5

3、默认axis

df3 = df.copy()
df3 = df3.apply(f)
df3   # 在DataFrame中apply函数默认的是axis=0，取的是列数

       A    B    C
0    0.0    0.0    1.0
1    1.0    1.0    0.0
2    0.5    0.0    0.5

(df['A'] - df['A'].min())/(df['A'].max()-df['A'].min())
0    0.0
1    1.0
2    0.5
Name: A, dtype: float64