【Pandas】pandas DataFrame transform

Pandas2.2 DataFrame

Function application, GroupBy & window

方法	描述
DataFrame.apply(func[, axis, raw, …])	用于沿 DataFrame 的轴（行或列）应用一个函数
DataFrame.map(func[, na_action])	用于对 DataFrame 的每个元素应用一个函数
DataFrame.applymap(func[, na_action])	用于对 DataFrame 中的每一个元素应用一个函数
DataFrame.pipe(func, *args, **kwargs)	用于实现链式编程风格的方法
DataFrame.agg([func, axis])	用于对 DataFrame 的数据进行聚合操作
DataFrame.aggregate([func, axis])	用于对 DataFrame 进行聚合操作的方法
DataFrame.transform(func[, axis])	用于对 DataFrame 的列或行应用函数

pandas.DataFrame.transform()

pandas.DataFrame.transform 方法用于对 DataFrame 的列或行应用函数，返回与原数据形状相同或列扩展后的结果。以下为详细说明及示例：

---

语法

DataFrame.transform(func, axis=0)

• func：函数、字符串、列表或字典。支持的函数需返回与原数据相同长度的序列。
• axis：默认为 0（按列处理）；1 表示按行处理。

---

示例

示例 1：应用单个函数（按列）

对每列元素减去列平均值：

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
result = df.transform(lambda x: x - x.mean())
print(result)

输出：

   A  B
0 -1 -1
1  0  0
2  1  1

解释：列 A 的平均值为 2，列 B 的平均值为 5，每个元素减去对应列的平均值。

---

示例 2：使用字符串函数名

应用平方根函数 'sqrt'：

result = df.transform('sqrt')
print(result)

输出：

          A         B
0  1.000000  2.000000
1  1.414214  2.236068
2  1.732051  2.449490

---

示例 3：传递函数列表

对每列应用多个函数，生成层次化列：

result = df.transform([np.sqrt, np.exp])
print(result)

输出：

        A                   B          
     sqrt        exp     sqrt        exp
0  1.000000   2.718282  2.000000   54.598150
1  1.414214   7.389056  2.236068  148.413159
2  1.732051  20.085537  2.449490  403.428793

解释：每列应用 sqrt 和 exp 函数，生成多列结果。

---

示例 4：使用字典指定列函数

对列 A 应用平方根，列 B 应用加倍：

result = df.transform({'A': np.sqrt, 'B': lambda x: x * 2})
print(result)

输出：

          A   B
0  1.000000   8
1  1.414214  10
2  1.732051  12

---

示例 5：按行处理（axis=1）

对每行元素进行归一化（元素减去行最小值）：

result = df.transform(lambda x: x - x.min(), axis=1)
print(result)

输出：

   A  B
0  0  3
1  0  3
2  0  3

解释：每行的最小值分别为 1, 2, 3，各元素减去对应行的最小值。

---

示例 6：按行应用返回相同长度的函数

每行元素乘以该行的和：

result = df.transform(lambda x: x * x.sum(), axis=1)
print(result)

输出：

    A   B
0   5  20
1  14  35
2  27  54

解释：第一行和为 5，第二行为 7，第三行为 9，元素分别乘以对应行的和。

---

注意事项

1. 形状一致性：函数必须返回与原数据相同长度的序列。例如，聚合函数（如 sum）直接使用会报错。
2. 列扩展：传递函数列表或字典时，结果可能扩展列（层次化索引）。
3. 行处理：当 axis=1 时，函数需处理行（Series），返回相同长度的结果。