### Pandas中transform函数和apply函数的用法及区别 #### 1. `transform` 函数的用法 `transform` 函数用于对分组数据进行转换操作，其结果与原始数据具有相同的长度。它允许将一个函数应用到每个分组上，并将结果广播回原始数据集[^3]。 例如，可以使用 `transform` 来计算每个分组的均值并将其广播回原始数据框： ```python import pandas as pd # 创建示例 DataFrame df = pd.DataFrame({ 'Team': ['A', 'A', 'B', 'B', 'C', 'C'], 'Score': [10, 20, 30, 40, 50, 60] }) # 使用 transform 计算每个组的平均分，并广播回原始数据 df['Mean_Score'] = df.groupby('Team')['Score'].transform('mean') print(df) ``` 输出结果如下： ``` Team Score Mean_Score 0 A 10 15 1 A 20 15 2 B 30 35 3 B 40 35 4 C 50 55 5 C 60 55 ``` #### 2. `apply` 函数的用法 `apply` 函数更加灵活，它可以应用于分组数据，并返回任何类型的对象，包括标量、Series 或 DataFrame。这意味着它可以改变数据的尺寸[^3]。 例如，可以使用 `apply` 来计算每个分组的均值，并返回一个 Series： ```python # 使用 apply 计算每个组的平均分 mean_scores = df.groupby('Team')['Score'].apply(lambda x: x.mean()) print(mean_scores) ``` 输出结果如下： ``` Team A 15 B 35 C 55 Name: Score, dtype: int64 ``` #### 3. `transform` 和 `apply` 的主要区别 - **返回结果的尺寸**：`transform` 返回的结果与原始数据相同长度，而 `apply` 可以返回任意尺寸的对象。 - **使用场景**：`transform` 通常用于需要保留原始数据维度的操作，例如标准化、中心化等；而 `apply` 更适合执行复杂的聚合或转换操作[^3]。 - **灵活性**：`apply` 比 `transform` 更加灵活，因为它可以返回多种类型的结果，而 `transform` 的返回结果必须能够广播回原始数据集。 #### 4. 示例比较 以下代码展示了 `transform` 和 `apply` 在实际中的差异： ```python # 使用 transform 获取每个组的平均分，并广播回原始数据 df['Mean_Score_Transform'] = df.groupby('Team')['Score'].transform('mean') # 使用 apply 获取每个组的平均分，并返回一个 Series mean_scores_apply = df.groupby('Team')['Score'].apply(lambda x: x.mean()) print("Transform Example:") print(df) print("\nApply Example:") print(mean_scores_apply) ``` 输出结果： ``` Transform Example: Team Score Mean_Score_Transform 0 A 10 15 1 A 20 15 2 B 30 35 3 B 40 35 4 C 50 55 5 C 60 55 Apply Example: Team A 15 B 35 C 55 Name: Score, dtype: int64 ``` --- ###