pandas的另外一个优点是兼容了numpy当中的一些运算方法和函数，使得我们也可以将一些numpy当中的函数运用在DataFrame上，这样就大大拓展了使用方法以及运算方法。

比如我们要将DataFrame当中所有的元素变成它的平方，我们利用numpy的square方法可以很容易做到：

我们可以将DataFrame作为numpy函数的参数传入，但如果我们想要自己定义一个方法并且应用在DataFrame上怎么办？

我们可以利用apply方法很容易地实现这一点，apply方法有些像是Python原生的map方法，可以对DataFrame当中的每一个元素做一个映射计算。我们只需要在apply方法当中传入我们想要应用在DataFrame上的方法即可，也就是说它接受的参数是一个函数，这是一个很典型的函数式编程的应用。

比如我们想要对DataFrame进行平方操作，我们也可以将np.square函数当做参数传入。

apply方法除了可以用在一整个DataFrame上之外，我们也可以让它应用在某一行或者是某一列或者是某一个部分上，应用的方法都是一样的。比如我们可以这样对DataFrame当中的某一行以及某一列应用平方这个方法。

另外，apply中函数的作用域并不只局限在元素，我们也可以写出作用在一行或者是一列上的函数。比如我们想要计算出DataFrame当中每一列的最大值，我们可以这样写：

这个匿名函数当中的x其实是一个Series，那这里的max就是Series自带的max方法。也就是说apply的作用范围是Series，虽然最终的效果是每一个元素都被改变了，但是apply的作用域并不是元素而是Series。我们通过apply操作行或者列，行和列将改变应用到每一个元素。

同样我们也可以将apply的应用对象限定为行，同样我们需要通过传入axis来限定，我们可以传入axis='columns'，也可以指定axis=1，这两者的效果是一样的。

另外，apply返回的结果并不一定只能是标量，也可以是多个值组成的pst或者是Series，其实两者也是一样的，因为即使返回List也会被转化成Series。

最后我们来介绍一下applymap，它是元素级的map，我们可以用它来操作DataFrame中的每一个元素。比如我们可以用它来转换DataFrame当中数据的格式。

之所以我们叫它applymap而不是map，是因为在Series的方法当中，已经有了map，所以为了区分创建了applymap。

这里要注意，如果将上面代码中的applymap改成apply是会报错的。报错的原因也很简单，因为apply方法的作用域不是元素而是Series，Series并不支持这样的操作。