### pandas 中 `transform` 和 `agg` 的用法及其区别 #### 一、`transform` 函数的使用方法 `pandas.DataFrame.transform()` 是一种非常灵活的方法，允许对分组后的数据进行逐元素变换操作，并保持原始数据结构不变。它可以应用于整个 DataFrame 或 Series 对象，在分组统计中尤其有用。 以下是其基本语法： ```python DataFrame.transform(func, axis=0, *args, **kwargs) ``` - **`func`**: 要应用到每一组上的函数，可以是单个函数或者一组函数。 - **`axis`**: 默认为 0（沿行方向），也可以设置为 1 表示沿列方向。 ##### 示例代码 以下展示了一个简单的例子，说明如何在分组后使用 `transform`： ```python import pandas as pd # 创建示例数据框 df = pd.DataFrame({ 'key': ['A', 'B', 'A', 'B', 'A'], 'value': [1, 2, 3, 4, 5] }) # 使用 transform 计算每组内的标准化值 (z-score) def z_score(x): return (x - x.mean()) / x.std() result_transform = df.groupby('key')['value'].transform(z_score) print(result_transform) ``` 运行结果： ``` 0 -1.224745 1 -1.224745 2 1.224745 3 1.224745 4 NaN Name: value, dtype: float64 ``` 在这个例子中，我们通过 `transform` 方法实现了对每个分组内部数值的标准分数计算[^1]。 --- #### 二、`agg` 函数的使用方法 `pandas.DataFrame.agg()` 主要用于执行聚合操作，通常会改变输入数据的形状或维度。它的功能强大，支持多种类型的聚合函数组合。 基本语法如下： ```python DataFrame.aggregate(func, axis=0, *args, **kwargs) ``` - **`func`**: 单个函数、字符串表示的函数名称、字典映射关系或者是列表形式的一系列函数。 ##### 示例代码 下面演示了如何在一个分组基础上同时计算多个汇总指标： ```python # 继续使用上面创建的数据帧 aggregation_results = ( df.groupby('key') .agg(mean_value=('value', 'mean'), sum_value=('value', 'sum')) ) print(aggregation_results) ``` 输出结果将是这样的表格形式： ``` mean_value sum_value key A 3.000000 9 B 3.000000 6 ``` 这里，`.agg()` 接受了一组键值对作为参数，其中键代表最终输出列的名字，而对应的值则指定了具体的聚合逻辑[^2]。 --- #### 三、两者的主要差异对比 | 特性 | `transform` | `agg` | |-------------------------|---------------------------------------------------------------------------------------------|---------------------------------------------------------------------------------------| | 数据结构调整 | 不改变原数据框架大小和形状；返回的结果与输入具有相同长度 | 返回的是一个更紧凑的形式，通常是标量或是较少数量的新记录 | | 应用场景 | 合适于需要保留原有索引位置的操作，比如填充缺失值、比例缩放等 | 更适合做降维分析，例如求总和、均值或者其他任何形式的整体描述 | | 输出内容一致性 | 结果必须能够广播回原来的尺寸 | 可以自由选择不同的聚合方式，甚至针对不同列采用不一样的策略 | | 执行灵活性 | 提供相对固定的几种常见转换模式 | 用户可完全定制化自己的业务规则 | 总结来说，如果希望维持原有的数据布局并且只是简单修改某些单元格的内容的话，应该优先选用 `transform`；而对于那些期望得到高度概括性的结论的情况，则推荐运用 `agg`[^3]。 --- ###