主要讲二者的结合应用

1、基础函数的应用

frame = pd.DataFrame(np.random.randn(4, 3), columns=list('bde'), index=['Utah', 'Ohio', 'Texas', 'Oregon'])

2、lambda函数

也叫匿名函数，即，函数没有具体的名称，不用考虑函数命名；使用lambda可以省去定义函数的过程，让代码更加精简。

lambda语句中，冒号前是参数，可以有多个，用逗号隔开，冒号右边的返回值。

def ff(x):return 3.1415926*x
#等价于
gg = lambda x : 3.1415926*x

 应用在数组上：

f = lambda x: x.max() - x.min()
#应用到列上
frame.apply(f)
#应用到行上
frame.apply(f, axis='columns')

series和函数的应用，注意是一列一列的，应为是序列。 

def f0(x): return pd.Series([x.min(), x.max()], index=['min', 'max'])frame.apply(f0)

3、函数的映射

format = lambda x: '%.2f' % x
frame.applymap(format)

 4、排序和排名

obj = pd.Series(range(4), index=['d', 'a', 'b', 'c'])
obj.sort_index()
#逆序
frame.sort_index(ascending=False)
#按列民排序
frame.sort_index(axis=1)
frame.sort_index(axis=1, ascending=False)#降序#按取值对seriex排序
#**sort_values**函数的使用
obj = pd.Series([4, 7, -3, 2])
obj.sort_values()
#对于dataframe，按'b'的列排序
frame.sort_values(by='b')
#存在两个以上排序
frame.sort_values(by=['a', 'b'])#默认方法是排名相同时，取排名平均作为rank
obj.rank()#series里出现重复label的index
obj.index.is_unique