pandas.core.groupby.DataFrameGroupBy.transform # DataFrameGroupBy。变换(func, * args, engine = None, engine_kwargs = None, ** kwargs)[来源] # 调用函数在每个组上生成相同索引的 DataFrame。 返回一个与填充有转换值的原始对象具有相同索引的 DataFrame。 参数: f函数、str适用于每个组的函数。有关要求,请参阅下面的注释部分。 接受的输入是: 细绳 Python函数 Numba 指定了 JIT 函数engine='numba'。 该引擎仅支持传递单个函数。如果'numba'选择引擎,则该函数必须是用户定义的函数,并且values函数index签名中的第一个参数和第二个参数分别为 和 。每个组的索引将传递给用户定义的函数,并且可以选择使用。 如果选择一个字符串,那么它必须是您要使用的 groupby 方法的名称。 *参数传递给 func 的位置参数。 引擎str,默认无 'cython':通过 cython 的 C 扩展运行该函数。 'numba':通过 numba 的 JIT 编译代码运行该函数。 None:默认'cython'或全局设置compute.use_numba engine_kwargs字典,默认 None 对于'cython'发动机,没有可接受的engine_kwargs 对于'numba'引擎,引擎可以接受nopython,nogil 和parallel字典键。这些值必须是True或 False。引擎 engine_kwargs的默认值将应用于该函数'numba'{'nopython': True, 'nogil': False, 'parallel': False} **夸格要传递给 func 的关键字参数。 返回: 数据框 也可以看看 DataFrame.groupby.apply逐组应用函数func并将结果组合在一起。 DataFrame.groupby.aggregate使用指定轴上的一项或多项操作进行聚合。 DataFrame.transform调用funcself 生成一个与 self 具有相同轴形状的 DataFrame。 笔记 每个组都被赋予属性“名称”,以防您需要知道您正在哪个组工作。 当前的实现对 f 提出了三个要求: f 必须返回一个与输入子帧形状相同或可以广播到输入子帧形状的值。例如,如果f返回一个标量,它将被广播为与输入子帧具有相同的形状。 如果这是一个 DataFrame,则 f 必须支持子帧中逐列的应用程序。如果f也支持应用于整个子帧,则从第二块开始使用快速路径。 f 不得改变组。不支持突变,并且可能会产生意外结果。有关更多详细信息,请参阅使用用户定义函数 (UDF) 方法进行变异。 使用时engine='numba',内部不会有“回退”行为。组数据和组索引将作为 numpy 数组传递给 JITed 用户定义的函数,并且不会尝试其他执行尝试。 版本 1.3.0 中更改:生成的 dtype 将反映传递的返回值func,请参阅下面的示例。 版本 2.0.0 中的更改:当在分组 DataFrame 上使用.transform并且转换函数返回 DataFrame 时,pandas 现在将结果的索引与输入的索引对齐。您可以调用.to_numpy()转换函数的结果以避免对齐。 例子 >>> df = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar', ... 'foo', 'bar'], ... 'B' : ['one', 'one', 'two', 'three', ... 'two', 'two'], ... 'C' : [1, 5, 5, 2, 5, 5], ... 'D' : [2.0, 5., 8., 1., 2., 9.]}) >>> grouped = df.groupby('A')[['C', 'D']] >>> grouped.transform(lambda x: (x - x.mean()) / x.std()) C D 0 -1.154701 -0.577350 1 0.577350 0.000000 2 0.577350 1.154701 3 -1.154701 -1.000000 4 0.577350 -0.577350 5 0.577350 1.000000 广播转换结果 >>> grouped.transform(lambda x: x.max() - x.min()) C D 0 4.0 6.0 1 3.0 8.0 2 4.0 6.0 3 3.0 8.0 4 4.0 6.0 5 3.0 8.0 >>> grouped.transform("mean") C D 0 3.666667 4.0 1 4.000000 5.0 2 3.666667 4.0 3 4.000000 5.0 4 3.666667 4.0 5 4.000000 5.0 在 1.3.0 版本中进行了更改。 生成的 dtype 将反映传递的返回值func,例如: >>> grouped.transform(lambda x: x.astype(int).max()) C D 0 5 8 1 5 9 2 5 8 3 5 9 4 5 8 5 5 9