文章目錄

• 數據轉換——transform()方法
• 數據應用——apply()方法

---

數據轉換——transform()方法

使用aggregate()方法進行聚合運算已經在上一篇博客中詳細闡述，我們知道aggregate()方法返回的數據集的形狀（shape）與被分組的數據集的形狀是不同的，如果希望保持與原數據數據集形狀相同，則可以通過transfrom()方法實現。

transform(self, func, *args, **kwargs)

上述方法中只有一個func參數，表示操作Pandas對象的函數，該函數可以是內置方法也可以是自定義函數。

transform()方法返回的結果有兩種：

• 一種是可以廣播的標量值（np.mean）
• 一種可以是與分組大小相同的結果數組

通過transfrom()方法操作分組時，該方法回將func()函數應用到各個分組中，并且將結果放在適當的位置上。

下面通過實例來進一步了解該方法的具體功能。

---

創建測試對象：

import pandas as pd import numpy as npdf = pd.DataFrame(np.arange(25).reshape(5, 5),index=list([0, 1, 2, 3, 4]),columns=list('abcde')) df['key'] = pd.Series(data=list('AABBB'), name='key') print(df)

輸出結果：

a b c d e key 0 0 1 2 3 4 A 1 5 6 7 8 9 A 2 10 11 12 13 14 B 3 15 16 17 18 19 B 4 20 21 22 23 24 B

---

以key列進行分組，可以將df對象拆分成A、B兩組，將mean()方法應用到每個分組中，計算每個分組中每列的平均值。

代碼如下：

df_group = df.groupby('key').transform('mean') print(df_group)

輸出結果：

a b c d e 0 2.5 3.5 4.5 5.5 6.5 1 2.5 3.5 4.5 5.5 6.5 2 15.0 16.0 17.0 18.0 19.0 3 15.0 16.0 17.0 18.0 19.0 4 15.0 16.0 17.0 18.0 19.0

從輸出結果可以看出，每列的數據是各分組求得的平均數。操作過程是通過mean()方法算出均值（一個標準量）后將其廣播。

---

不難發現上述示例中，原始數據的列數與最終結果的列數是不一樣的。

如果希望原始數據的列數與最終結果的列數是一樣的。那么需要創建一個Series對象作為分組鍵，而不是將原始數據中的列作為分組鍵。

創建測試對象：

df1 = DataFrame(np.arange(20).reshape(5, 4)) print(df1)

輸出結果：

0 1 2 3 0 0 1 2 3 1 4 5 6 7 2 8 9 10 11 3 12 13 14 15 4 16 17 18 19

---

然后創建一個列表key，key的長度需要與df1對象的行數是一樣的，我們將key當作分組鍵，然后對每個分組執行求平均值的操作。

代碼如下：

key = ['one', 'one', 'two', 'two', 'two'] df1_group = df1.groupby(by=key).transform('mean') print(df1_group)

輸出結果：

0 1 2 3 0 2 3 4 5 1 2 3 4 5 2 12 13 14 15 3 12 13 14 15 4 12 13 14 15

---

數據應用——apply()方法

apply()方法的使用十分靈活，它可以作用于DataFrame中的每一列、每一行元素，還可以在許多標準用例中代替聚合和轉換。

測試對象：

a b c d e key 0 0 1 2 3 4 A 1 5 6 7 8 9 A 2 10 11 12 13 14 B 3 15 16 17 18 19 B 4 20 21 22 23 24 B

運用apply()方法的代碼如下：

df_by_group = df.groupby('key')def plus_ten(data_frame):return data_frame.iloc[:, :5] + 10df_by_group_apply = df_by_group.apply(func=plus_ten) print(df_by_group_apply)

輸出結果：

a b c d e 0 10 11 12 13 14 1 15 16 17 18 19 2 20 21 22 23 24 3 25 26 27 28 29 4 30 31 32 33 34

也可以用內置方法進行數據應用：

df1_by_group_apply1 = df.iloc[:, :5].apply(func='mean') print("df1_apply:\n", df1_by_group_apply1)

輸出結果：

df1_apply:a 10.0 b 11.0 c 12.0 d 13.0 e 14.0 dtype: float64

總結

以上是生活随笔為你收集整理的Python之分组级运算——【transform()方法、apply()方法】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。