.transform(‘sum‘)` 和 `.sum()` 用法与区别

.transform('sum') 和 .sum() 是 pandas 中用于数据聚合或转换的两种不同方法，它们的主要区别和用法如下所示：

.sum() 方法

.sum() 是 pandas 中的聚合函数之一，用于计算数据中的总和。它的主要特点包括：

• 作用范围：作用于整个 DataFrame 或者特定的轴（如行或列）。
• 返回结果：返回一个标量值（总和）或者一个包含总和的 Series 或 DataFrame，具体取决于应用 .sum() 的对象。
• 用法示例：可以直接在 DataFrame 或 Series 上应用，例如 df.sum() 或 df['列名'].sum()。

import pandas as pd

data = pd.DataFrame({
    'A': [1, 2, 3],
    'B': [4, 5, 6]
})

total_sum = data.sum()  # 对整个 DataFrame 进行列求和
column_sum = data['A'].sum()  # 对指定列 'A' 进行求和

输出结果：

.transform('sum') 方法

.transform('sum') 是 pandas 中的转换函数之一，用于对数据进行转换操作。它的主要特点包括：

• 作用范围：作用于 DataFrame 或者 Series 中的每个元素。
• 返回结果：返回与原始输入数据相同形状的结果，但是每个元素都根据指定的转换函数进行转换。
• 用法示例：通常与 groupby 结合使用，用于计算组内的聚合结果，并将聚合结果广播到原始数据的每个元素上。

import pandas as pd

data = pd.DataFrame({
    'Group': ['A', 'A', 'B', 'B'],
    'Value': [1, 2, 3, 4]
})

# 计算每个组的总和，并广播到每个元素上
data['Group_Sum'] = data.groupby('Group')['Value'].transform('sum')

输出结果：

在上述示例中，.transform('sum') 将会计算每个组的总和（例如组 ‘A’ 的总和为 3，组 ‘B’ 的总和为 7），并将这些总和值广播（或者说“转换”）到原始数据的每个元素上，生成一个新的列 ‘Group_Sum’。

区别总结

• 范围不同：.sum() 是对整体数据或者某个轴进行聚合操作，而 .transform('sum') 则是对每个元素进行转换操作。
• 返回结果不同：.sum() 返回聚合结果（标量、Series 或 DataFrame），而 .transform('sum') 返回与原始数据形状相同的转换结果。
• 用途不同：.sum() 适用于整体数据的汇总计算，而 .transform('sum') 适用于需要对每个元素进行组内聚合操作的场景，如计算组内总和并将结果广播到每个元素上。

综上所述，.transform('sum') 和 .sum() 在 pandas 中的使用场景和效果有明显的区别，根据具体需求选择合适的方法进行数据操作和转换。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.2.1 什么是Prompt
  • L2.2.2 Prompt框架应用现状
  • L2.2.3 基于GPTAS的Prompt框架
  • L2.2.4 Prompt框架与Thought
  • L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
  • L2.3.1 流水线工程的概念
  • L2.3.2 流水线工程的优点
  • L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
  • L3.1.1 Agent模型框架的设计理念
  • L3.1.2 Agent模型框架的核心组件
  • L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
  • L3.2.1 MetaGPT的基本概念
  • L3.2.2 MetaGPT的工作原理
  • L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
  • L3.3.1 ChatGLM的特点
  • L3.3.2 ChatGLM的开发环境
  • L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
  • L3.4.1 LLAMA的特点
  • L3.4.2 LLAMA的开发环境
  • L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓