考虑以下数据帧：
列=['A'，'B'，'C'，'D']
记录=[
[foo'，one'，0.162003,0.087469]，
[bar'、-1.156319、-1.526271999999]，
[foo'，two'，0.833892，-1.666304]，
[bar'，[three'，-2.026673，-0.322057000000000004]，
[foo'，two'，0.411452000000000004，-0.954370999999]，
[bar'，two'，0.765878，-0.095968]，
[foo'，one'，-0.65489,0.678091]，
[foo'，three'，-1.789842，-1.130922]
]
df=pd.DataFrame.from_记录（记录，列=列）
&引用&引用&引用；
A、B、C、D
0 foo one 0.162003 0.087469
1巴1-1.156319-1.526272
2 foo two 0.833892-1.666304
三巴-2.026673-0.322057
4两个0.411452-0.954371
5巴两个0.765878-0.095968
6富一-0.654890 0.678091
7福三-1.789842-1.130922
&引用&引用&引用；
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（））
但以下工作都没有：
df.groupby（'A'）.transform（lambda x:（x['C']-x['D']））
#KeyError或ValueError:无法将输入数组从形状（5）广播到形状（5,3）
df.groupby（'A'）.transform（lambda x:（x['C']-x['D']）.mean（））
#KeyError或TypeError:无法连接非NDFrame对象
为什么？文档中的示例似乎表明，对组调用transform可以进行行操作处理：
#注意，以下建议行操作（x.mean是列平均值）
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类型的apply（不聚合）。我错在哪里
以下是上述原始数据帧的构造，仅供参考：
df=pd.DataFrame（{'A'：['foo'，'bar'，'foo'，'bar'，'，
“foo”，“bar”，“foo”，“foo']，
“B”：一、一、二、三、，
“二”、“二”、“一”、“三”]，
“C”：randn（8），“D”：randn（8）}）
apply和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数据帧隐式传递给自定义函数- 而
transform则将每组的每一列作为系列分别传递给自定义函数 - 输出：
- 传递给
apply的自定义函数可以返回标量、序列或数据帧（或numpy数组甚至列表） - 传递给变换的自定义函数必须返回与组长度相同的序列（一维序列、数组或列表）
因此，transform一次只对一个系列有效，apply一次对整个数据帧有效
检查自定义函数
检查传递给apply或transform的自定义函数的输入会有很大帮助
例子
让我们创建一些示例数据并检查组，以便您可以看到我所说的内容：
将熊猫作为pd导入
将numpy作为np导入
df=pd.DataFrame（{'State'：['Texas'，'Texas'，'Florida'，'Florida']，
‘a’：[4,5,1,3]，‘b’：[6,10,3,11]}）
a国b国
0德克萨斯州4 6
德克萨斯州1 5 10
佛罗里达州2 1 3
3佛罗里达3 11
让我们创建一个简单的自定义函数，它打印出隐式传递对象的类型，然后引发一个错误，以便停止执行
def检查（x）：
打印（类型（x））
提升
现在，让我们将此函数传递给groupbyapply和transform方法，以查看传递给它的对象：
df.groupby（’State’）。应用（检查）
<；类“pandas.core.frame.DataFrame”>；
<；类“pandas.core.frame.DataFrame”>；
访问违例
如您所见，数据帧被传递到inspect函数中。您可能想知道为什么DataFrame类型打印了两次。熊猫在第一组跑了两次。它这样做是为了确定是否有一种快速的方法来完成计算。这是一个你不应该担心的小细节
现在，让我们对transform
df.groupby（’State’）.transform（检查）
<；类别“熊猫.核心.系列.系列”>；
<；类别“熊猫.核心.系列.系列”>；
访问违例
它被传递一个系列-一个完全不同的对象
因此，transform一次只能处理单个序列。它不可能同时作用于两列。因此，如果我们尝试从自定义函数的b中减去a列，我们将得到transform错误。见下文：
def减去2（x）：
返回x['a']-x['b']
df.groupby（'State'）.transform（减二）
KeyError:（'a'，'发生在索引a'）
当pandas试图查找不存在的系列索引a时，我们得到一个keyrerror。您可以使用apply完成此操作，因为它具有整个数据帧：
df.groupby（’State’）。应用（减去两个）
状态
佛罗里达2-2
3 -8
德克萨斯州0-2
1 -5
数据类型：int64
输出是一个系列，由于保留了原始索引，所以有点混乱，但我们可以访问所有列
显示传递的对象
在自定义函数中显示整个pandas对象会有更大的帮助，因此您可以准确地看到正在使用的操作。您可以使用print语句，我喜欢使用IPython.display模块中的display功能，以便在jupyter笔记本中以HTML格式很好地输出数据帧：
从IPython.display导入显示
def减去2（x）：
显示器（x）
返回x[‘a’]-x[‘b’]
截图：
Transform必须返回与组大小相同的一维序列
另一个区别是transform必须返回与组大小相同的一维序列。在这个特定的实例中，每个组有两行，因此transform必须返回两行的序列。如果没有，则会引发错误：
def返回\u三（x）：
返回np.array（[1,2,3]）
df.groupby（'State'）.transform（返回三个）
ValueError:转换必须为每个组返回标量值
错误消息并不能真正描述问题。必须返回与组长度相同的序列。因此，这样的函数可以工作：
def rand\u group\u len（x）：
返回np.rand.rand（len（x））
df.groupby（'State'）.transform（rand\u group\u 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一个标量，则transform将对组中的每一行使用它：
定义组总和（x）：
返回x.sum（）
df.groupby（'State'）.transform（组和）
a b
0 9 16
1 9 16
2 4 14
3 4 14