在组对象上应用vs变换

考虑以下数据帧：

     A      B         C         D
0  foo    one  0.162003  0.087469
1  bar    one -1.156319 -1.526272
2  foo    two  0.833892 -1.666304
3  bar  three -2.026673 -0.322057
4  foo    two  0.411452 -0.954371
5  bar    two  0.765878 -0.095968
6  foo    one -0.654890  0.678091
7  foo  three -1.789842 -1.130922

以下命令起作用：

> df.groupby('A').apply(lambda x: (x['C'] - x['D']))
> df.groupby('A').apply(lambda x: (x['C'] - x['D']).mean())

但以下任何一项均无效：

> df.groupby('A').transform(lambda x: (x['C'] - x['D']))
ValueError: could not broadcast input array from shape (5) into shape (5,3)

> df.groupby('A').transform(lambda x: (x['C'] - x['D']).mean())
 TypeError: cannot concatenate a non-NDFrame object

为什么？ 文档上的示例似乎建议通过调用transform组，可以进行行操作处理：

# Note that the following suggests row-wise operation (x.mean is the column mean)
zscore = lambda x: (x - x.mean()) / x.std()
transformed = ts.groupby(key).transform(zscore)

换句话说，我认为转换本质上是一种特定的应用类型（不聚合）。我哪里错了？

供参考，以下是上面原始数据帧的构造：

df = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar',
                          'foo', 'bar', 'foo', 'foo'],
                   'B' : ['one', 'one', 'two', 'three',
                         'two', 'two', 'one', 'three'],
                   'C' : randn(8), 'D' : randn(8)})

apply和之间的两个主要区别transform

transform和applygroupby方法之间有两个主要区别。

• 输入：
  • apply将每个组的所有列作为DataFrame隐式传递给自定义函数。
  • 同时transform将每个组的每一列作为系列分别传递给自定义函数。
• 输出：
  • 传递给的自定义函数apply可以返回标量，或者返回Series或DataFrame（或numpy数组，甚至是list）。
  • 传递给的自定义函数transform必须返回与group长度相同的序列（一维Series，数组或列表）。

因此，transform一次只能处理一个Series，而一次apply可以处理整个DataFrame。

检查自定义功能

检查传递给applyor的自定义函数的输入可能会很有帮助transform。

例子

让我们创建一些示例数据并检查组，以便您可以了解我在说什么：

import pandas as pd
import numpy as np
df = pd.DataFrame({'State':['Texas', 'Texas', 'Florida', 'Florida'], 
                   'a':[4,5,1,3], 'b':[6,10,3,11]})

     State  a   b
0    Texas  4   6
1    Texas  5  10
2  Florida  1   3
3  Florida  3  11

让我们创建一个简单的自定义函数，该函数打印出隐式传递的对象的类型，然后引发一个错误，以便可以停止执行。

def inspect(x):
    print(type(x))
    raise

现在，让我们将此函数传递给groupby apply和transformmethod，以查看传递给它的对象：

df.groupby('State').apply(inspect)

<class 'pandas.core.frame.DataFrame'>
<class 'pandas.core.frame.DataFrame'>
RuntimeError

如您所见，DataFrame被传递到inspect函数中。您可能想知道为什么将DataFrame类型打印两次。熊猫两次参加第一组比赛。这样做是为了确定是否存在快速完成计算的方法。这是您不应该担心的次要细节。

现在，让我们用 transform

df.groupby('State').transform(inspect)
<class 'pandas.core.series.Series'>
<class 'pandas.core.series.Series'>
RuntimeError

它传递了一个Series-一个完全不同的Pandas对象。

因此，一次transform只能使用一个系列。它并非不可能同时作用于两根色谱柱。因此，如果尝试a从b自定义函数中减去column ，则会出现错误transform。见下文：

def subtract_two(x):
    return x['a'] - x['b']

df.groupby('State').transform(subtract_two)
KeyError: ('a', 'occurred at index a')

当熊猫试图找到a不存在的Series索引时，我们得到一个KeyError 。您可以通过完整apply的DataFrame 来完成此操作：

df.groupby('State').apply(subtract_two)

State     
Florida  2   -2
         3   -8
Texas    0   -2
         1   -5
dtype: int64

输出是一个Series，并且保留了原始索引，因此有些混乱，但是我们可以访问所有列。

显示传递的熊猫对象

它可以在自定义函数中显示整个pandas对象，从而提供更多帮助，因此您可以确切地看到所使用的对象。您可以使用print我喜欢使用模块中的display函数的语句，IPython.display以便在Jupyter笔记本中以HTML形式很好地输出DataFrame：

from IPython.display import display
def subtract_two(x):
    display(x)
    return x['a'] - x['b']

屏幕截图：

变换必须返回与组大小相同的一维序列

另一个区别是transform必须返回与该组相同大小的一维序列。在这种特定情况下，每个组都有两行，因此transform必须返回两行的序列。如果没有，则会引发错误：

def return_three(x):
    return np.array([1, 2, 3])

df.groupby('State').transform(return_three)
ValueError: transform must return a scalar value for each group

该错误消息并不能真正说明问题。您必须返回与组长度相同的序列。因此，这样的功能将起作用：

def rand_group_len(x):
    return np.random.rand(len(x))

df.groupby('State').transform(rand_group_len)

          a         b
0  0.962070  0.151440
1  0.440956  0.782176
2  0.642218  0.483257
3  0.056047  0.238208

返回单个标量对象也适用于 transform

如果仅从自定义函数返回单个标量，transform则将其用于组中的每一行：

def group_sum(x):
    return x.sum()

df.groupby('State').transform(group_sum)

   a   b
0  9  16
1  9  16
2  4  14
3  4  14

就像我对.transform操作vs 感到困惑一样，.apply我找到了一些答案，这使我对该问题有所了解。例如，此答案非常有帮助。

到目前为止，我的建议是彼此隔离地.transform处理（或处理）Series（列）。这意味着在最后两个呼叫中：

df.groupby('A').transform(lambda x: (x['C'] - x['D']))
df.groupby('A').transform(lambda x: (x['C'] - x['D']).mean())

您要求.transform从两列中获取值，而“它”实际上并没有同时“看到”它们（可以这么说）。transform将逐一查看数据框列，然后返回一系列“（由一系列）标量组成的”（或一组系列），这些标量被重复了len(input_column)几次。

因此，应使用此标量.transform来使之Series成为输入上应用某种归约函数的结果Series（并且一次只能应用于一个系列/列）。

考虑以下示例（在您的数据框上）：

zscore = lambda x: (x - x.mean()) / x.std() # Note that it does not reference anything outside of 'x' and for transform 'x' is one column.
df.groupby('A').transform(zscore)

将产生：

       C      D
0  0.989  0.128
1 -0.478  0.489
2  0.889 -0.589
3 -0.671 -1.150
4  0.034 -0.285
5  1.149  0.662
6 -1.404 -0.907
7 -0.509  1.653

这与您一次只在一列上使用它完全相同：

df.groupby('A')['C'].transform(zscore)

产生：

0    0.989
1   -0.478
2    0.889
3   -0.671
4    0.034
5    1.149
6   -1.404
7   -0.509

请注意，.apply在上一个示例（df.groupby('A')['C'].apply(zscore)）中，它的工作方式完全相同，但是如果您尝试在数据帧上使用它，它将失败：

df.groupby('A').apply(zscore)

给出错误：

ValueError: operands could not be broadcast together with shapes (6,) (2,)

那么还有什么.transform用处呢？最简单的情况是尝试将归约函数的结果分配回原始数据帧。

df['sum_C'] = df.groupby('A')['C'].transform(sum)
df.sort('A') # to clearly see the scalar ('sum') applies to the whole column of the group

产生：

     A      B      C      D  sum_C
1  bar    one  1.998  0.593  3.973
3  bar  three  1.287 -0.639  3.973
5  bar    two  0.687 -1.027  3.973
4  foo    two  0.205  1.274  4.373
2  foo    two  0.128  0.924  4.373
6  foo    one  2.113 -0.516  4.373
7  foo  three  0.657 -1.179  4.373
0  foo    one  1.270  0.201  4.373

尝试用同样.apply会给NaNs在sum_C。因为.apply会返回reduce Series，所以它不知道如何广播回去：

df.groupby('A')['C'].apply(sum)

给予：

A
bar    3.973
foo    4.373

在某些情况下，什么时候.transform用于过滤数据：

df[df.groupby(['B'])['D'].transform(sum) < -1]

     A      B      C      D
3  bar  three  1.287 -0.639
7  foo  three  0.657 -1.179

我希望这可以增加一些清晰度。

我将使用一个非常简单的代码片段来说明不同之处：

test = pd.DataFrame({'id':[1,2,3,1,2,3,1,2,3], 'price':[1,2,3,2,3,1,3,1,2]})
grouping = test.groupby('id')['price']

DataFrame看起来像这样：

    id  price   
0   1   1   
1   2   2   
2   3   3   
3   1   2   
4   2   3   
5   3   1   
6   1   3   
7   2   1   
8   3   2   

该表中有3个客户ID，每个客户进行三笔交易，每次支付1,2,3美元。

现在，我想找到每个客户的最低付款额。有两种方法：

1. 使用apply：

   grouping.min（）

回报看起来像这样：

id
1    1
2    1
3    1
Name: price, dtype: int64

pandas.core.series.Series # return type
Int64Index([1, 2, 3], dtype='int64', name='id') #The returned Series' index
# lenght is 3

2. 使用transform：

   分组变换（最小值）

回报看起来像这样：

0    1
1    1
2    1
3    1
4    1
5    1
6    1
7    1
8    1
Name: price, dtype: int64

pandas.core.series.Series # return type
RangeIndex(start=0, stop=9, step=1) # The returned Series' index
# length is 9    

这两个方法都返回一个Series对象，但是第一个的对象length为3，length第二个的对象为9。

如果要回答What is the minimum price paid by each customer，则该apply方法是更适合选择的一种。

如果要回答What is the difference between the amount paid for each transaction vs the minimum payment，则要使用transform，因为：

test['minimum'] = grouping.transform(min) # ceates an extra column filled with minimum payment
test.price - test.minimum # returns the difference for each row

Apply 不能简单地在这里工作，因为它返回的是大小为3的Series，但是原始df的长度为9。您无法轻松地将其集成回原始df。

tmp = df.groupby(['A'])['c'].transform('mean')

就好像

tmp1 = df.groupby(['A']).agg({'c':'mean'})
tmp = df['A'].map(tmp1['c'])

要么

tmp1 = df.groupby(['A'])['c'].mean()
tmp = df['A'].map(tmp1)