Quando nenhum método embutido faz o que você precisa, execute sua própria função:
col.map(func) ou col.apply(func) chama a função para cada valor de uma coluna e retorna uma nova coluna.
lambda permite escrever uma pequena função na própria expressão: df["product"].apply(lambda p: p.split()[0]).
df.apply(func, axis=1) chama a função para cada linha, então pode usar várias colunas: row["units"] * row["unit_price"]. Sem axis=1, apply passa colunas inteiras e row["units"] falha com um KeyError.
df.apply(func) em colunas é útil para obter um resumo por coluna, como a amplitude c.max() - c.min().
apply é um laço disfarçado. Em uma tabela grande, obter o mesmo resultado com operações aritméticas entre colunas, np.where ou um método .str é muitas vezes mais rápido. Use apply quando a lógica realmente exigir e conheça a alternativa vetorizada.
A primeira palavra do nome de cada produto, com uma pequena função na própria expressão.