一、数据转换
使用agg()方法进行聚合运算时，返回的数据集的形状(shape)与被分组数据集的形状是不一样的，如果希望保持与原数据集形状相同，那么可以通过transfrom()方法实现。transfrom方法的语法格式如下：
transfrom（func，*args，**kwargs）
上述方法中只有一个参数func参数，表示操作Pandas对象的函数。transfrom()方法返回的结果有两种：一种是可以广播的标量值（np.mean）；另一种可以是与分组大小相同的结果数组。通过transfrom()方法操作分组时，transfrom()方法会把func()函应用到各个分组中，并且将结果放在适当的位置上。
接下来通过代码演示：
import pandas as pd
df=pd.DataFrame({'a':[0,1,6,10,3]
,'b':[1,2,7,11,4]
,'c':[2,3,8,12,4]
,'d':[3,4,9,13,5]
,'e':[4,5,10,14,3]
,'key':['A','A','B','B','B']})
df
data_group=df.groupby('key').mean() #agg()进行聚合运算的时候,返回的数据集的形状与被分组数据集的形状不一样
data_group
data_group=df.groupby('key').transform('mean') #用 transform 可以实现聚合运算时,返回的数据集的形状与被分组数据集的形状一样
data_group
如果希望进行转换后，返回具有相同形状的结果，那么可以创建一个Series对象，该对象的长度与表格的行数是相同的，按照这个Series对象进行分组，便可以得到一个形状相同的对象。代码如下：
import pandas as pd
df=pd.DataFrame({'A':[2,3,3,4,2]
,'B':[4,2,3,6,6]
,'C':[9,7,0,7,8]
,'D':[3,4,8,6,10]})
df
key=['one','one','two','two','two']
df.groupby(key).mean()
key=['one','one','two','two','two'] # Key的定义随便的,主要是和 df 对象的行数是一样的就行
df.groupby(key).transform('mean')
通过比较转换前与转换后的结果，发现两次输出的结果具有相同的大小。在这里，计算出的平均值不仅在每组每列中进行了广播，而且也保证了返回的结果与原数据的形状相同。
二、数据应用
当某些分组操作，既不适合使用agg()方法进行聚合，也不适合使用transfrom()方法进行转换时，便可以让apply()方法排上用场了。apply()方法的使用十分灵活，它可以作用于DataFrame中每一行、每一列元素，它还可以在许多标准用例中替代聚合和转换。
apply()方法的语法格式如下：
apply(func，axis=0，broadcast=None，raw=False，reduce=None，result_type=None，args=()，**kwds)
上述方法中常用的参数表示的含义如下：
- func：表示应用于某一行或某一列的函数。
- axis：表示函数操作的轴向，"0"或"index"表示将函数应用于列上，"1"或"columns"表示将函数应用于行上，默认为0。
- broadcast：表示是否将数据进行广播。若设为False或None，则会返回一个Series对象，其长度跟索引的长度或列数一样；若设为True，则表示结果被广播到原始对象中，原始的索引和列将会保留。
接下来通过代码演示：
import pandas as pd
import numpy as np
data=pd.DataFrame({'data1':[80,23,56,95]
,'data2':[50,68,98,54]
,'data3':[78,58,94,45]
,'key':list('baab')})
data
data_by_group=data.groupby('key')
dict([x for x in data_by_group])['a']
dict([x for x in data_by_group])['b']
def plus_ten(data):
return data.iloc[:,:3]+10
data_by_group.apply(plus_ten)
作者：KJ.JK
本文仅用于交流学习，未经作者允许，禁止转载，更勿做其他用途，违者必究。
文章对你有所帮助的话，欢迎给个赞或者 star 呀，你的支持是对作者最大的鼓励，不足之处可以在评论区多多指正，交流学习呀
3732
