翻译：apply与transform在搭配groupby的不同

pandas.DataFrame.apply(func, axis=0)：Apply a func along an axis of the DataFrame.

pandas.DataFrame.transform(func, axis=0)：Call func on self producing a DataFrame with transformed values. Produced DataFrame will have same axis length as self.

# 假设有如下数据
df = pd.DataFrame({'s':['s1', 's1', 's2', 's2', 's2', 's2', 's4', 's4', 's4'],
                 'm':['m1', 'm1', 'm3', 'm3', 'm4', 'm4', 'm2', 'm2', 'm2'],
                 'values':['a', 'n', 'cb', 'mk', 'bg', 'dg', 'rr', 'cb', '1'],
                 'number':[3, 2, 5, 8, 10, 1, 2, 2, 7]})

第一个不同：.transform无法进行聚合，而.apply则不一定：

df.groupby('s')['number'].apply(max)
# 结果如下
s
s1     3
s2    10
s4     7
Name: number, dtype: int64


df.groupby('s')['number'].transform(max)
# 结果如下
0     3
1     3
2    10
3    10
4    10
5    10
6     7
7     7
8     7
Name: number, dtype: int64

---

引申：所以.transform可以这样使用(但.apply不行)

df[df.groupby('s')['number'].transform(max) ==df['number']]
# 结果如下
    s	m	values number
0	s1	m1	a	3
4	s2	m4	bg	10
8	s4	m2	1	7

第二个不同：.apply允许对dataframe的多个series进行操作，而.transform只能如上所述搞一个：

def zidingyi(df):
    return df['values'] + df['number'].astype('str')

df.groupby(['s']).apply(zidingyi)
# 结果如下
s    
s1  0      a3
    1      n2
s2  2     cb5
    3     mk8
    4    bg10
    5     dg1
s4  6     rr2
    7     cb2
    8      17
dtype: object

df.groupby(['s']).transform(zidingyi)
# 结果如下
<blabla>...
KeyError: 'values'