对组对象应用vs转换

Question

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

以下命令有效：

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

但没有以下工作：

> 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？ The example on the documentation似乎建议在一个组上调用transform允许进行逐行操作处理：

# 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，我认为变换本质上是一种特定的应用类型（不会聚合的应用）。我哪里错了？

作为参考，下面是上面原始数据框的构造：

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)})

Answer 1

当我感觉与.transform操作与.apply相似时，我发现了一些答案，对这个问题有所了解。例如，This answer非常有帮助。

到目前为止，我的结果是.transform将与Series（列）相互隔离地工作（或处理）。这意味着在你的最后两个电话中：

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，并且'它'实际上不会同时“看到”它们（可以这么说）。 transform将逐个查看数据框列，并返回一系列（或一组系列）'scledrs'重复len(input_column)次。

因此，.transform应该使用这个标量来制作Series是在输入Series上应用的一些缩减函数的结果（并且一次仅在一个系列/列上）。

考虑这个例子（在您的数据帧上）：

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)

会产生：

       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

这与您一次仅在一列上使用它完全相同：

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

收益：

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，最后一个示例中的.apply（df.groupby('A')['C'].apply(zscore)）将以完全相同的方式工作，但如果您尝试在数据帧上使用它，则会失败：

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

给出错误：

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

那么.transform还有用吗？最简单的情况是尝试将缩减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

收益：

     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

尝试与.apply相同将在NaNs给sum_C。因为.apply将返回减少的Series，它不知道如何广播：

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

赠送：

A
bar    3.973
foo    4.373

还有使用.transform过滤数据的情况：

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

我希望这会增加一点清晰度。

Answer 2

Two major differences between apply and transform

transform和apply组之间存在两个主要差异。

• apply隐式地将每个组的所有列作为DataFrame传递给自定义函数，而transform将每个组的每个列作为Series传递给自定义函数
• 传递给apply的自定义函数可以返回标量，系列或DataFrame（或numpy数组甚至列表）。传递给transform的自定义函数必须返回与组相同长度的序列（一维系列，数组或列表）。

因此，transform一次只能处理一个系列，apply可以同时处理整个DataFrame。

Inspecting the custom function

它可以帮助检查传递给apply或transform的自定义函数的输入。

Examples

让我们创建一些示例数据并检查组，以便您可以看到我在说什么：

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

让我们创建一个简单的自定义函数，打印出隐式传递的对象的类型，然后引发错误，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transform方法，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传递给inspect函数。您可能想知道为什么类型DataFrame被打印出两次。熊猫两次跑第一组。它这样做是为了确定是否有快速的方法来完成计算。这是一个您不必担心的细节。

现在，让我们用transform做同样的事情

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

它传递了一个系列 - 一个完全不同的Pandas对象。

因此，transform一次只允许使用一个系列。它不可能同时作用于两列。因此，如果我们尝试从我们的自定义函数中的a中减去列b，我们将得到transform的错误。见下文：

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

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

我们得到一个KeyError，因为pandas试图找到不存在的Series索引a。您可以使用apply完成此操作，因为它具有整个DataFrame：

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

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

输出是一个系列，并且保留原始索引时有点混乱，但我们可以访问所有列。

---

Displaying the passed pandas object

它可以帮助更多地在自定义函数中显示整个pandas对象，因此您可以准确地看到您正在操作的内容。您可以使用print语句，我喜欢使用display模块中的IPython.display函数，以便在jupyter笔记本中以HTML格式输出DataFrame：

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

屏幕截图：

---

Transform must return a single dimensional sequence the same size as the group

另一个区别是transform必须返回与组相同大小的单维序列。在此特定实例中，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

错误消息并不能真正描述问题。您必须返回与组相同长度的序列。所以，这样的函数可以工作：

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

---

Returning a single scalar object also works for transform

如果从自定义函数返回一个标量，那么transform将把它用于组中的每一行：

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

Answer 3

我将使用一个非常简单的片段来说明差异：

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   

此表中有3个客户ID，每个客户进行三次交易，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（）

返回看起来像这样：

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： grouping.transform（分钟）

返回看起来像这样：

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    

两种方法都返回一个Series对象，但第一个的length为3，第二个的length为9。

如果你想回答What is the minimum price paid by each customer，那么apply方法更适合选择。

如果你想回答What is the difference between the amount paid for each transaction vs the minimum payment，那么你想使用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在这里不起作用仅仅是因为它返回了一系列大小为3，但原始df的长度为9.你不能轻易地将它整合回原来的df。

Answer 4

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)