pandas.core.groupby.SeriesGroupBy.apply#

SeriesGroupBy.apply(func, *args, **kwargs)[源代码][源代码]#

按组应用函数 func 并将结果合并在一起。

传递给 apply 的函数必须以一个序列作为其第一个参数，并返回一个 DataFrame、Series 或标量。apply 然后将负责将结果组合回一个单一的 DataFrame 或 Series。因此，apply 是一个高度灵活的分组方法。

虽然 apply 是一个非常灵活的方法，它的缺点是使用它可能比使用更具体的方法如 agg 或 transform 慢很多。Pandas 提供了大量方法，这些方法在特定用途上比使用 apply 快得多，所以在使用 apply 之前，尽量尝试使用它们。

参数:

函数callable: 一个可调用对象，它以一个序列作为其第一个参数，并返回一个数据框、一个序列或一个标量。此外，该可调用对象还可以接受位置参数和关键字参数。
*argstuple: 传递给 func 的可选位置参数。
**kwargsdict: 传递给 func 的可选关键字参数。

返回:

参见

备注

在 1.3.0 版本发生变更: 生成的 dtype 将反映传递的 func 的返回值，请参见下面的示例。

修改传递对象的函数可能会产生意外行为或错误，并且不受支持。更多详情请参见使用用户定义函数 (UDF) 方法进行变异。

例子

>>> s = pd.Series([0, 1, 2], index="a a b".split())
>>> g1 = s.groupby(s.index, group_keys=False)
>>> g2 = s.groupby(s.index, group_keys=True)

从上面的 s 我们可以看到 g 有两个组，a 和 b。注意 g1 和 g2 都有两个组，a 和 b，只是在它们的 group_keys 参数上有所不同。以不同的方式调用 apply，我们可以得到不同的分组结果：

示例 1: 传递给 apply 的函数以一个 Series 作为其参数并返回一个 Series。apply 将每个组的结果组合成一个新的 Series。

在 1.3.0 版本发生变更: 生成的 dtype 将反映传递的 func 的返回值。

>>> g1.apply(lambda x: x * 2 if x.name == "a" else x / 2)
a    0.0
a    2.0
b    1.0
dtype: float64

在上文中，组不是索引的一部分。我们可以通过使用 g2 并设置 group_keys=True 来包含它们：

>>> g2.apply(lambda x: x * 2 if x.name == "a" else x / 2)
a  a    0.0
   a    2.0
b  b    1.0
dtype: float64

示例 2：传递给 apply 的函数接受一个 Series 作为其参数并返回一个标量。apply 将每个组的结果组合成一个 Series，包括适当地设置索引：

>>> g1.apply(lambda x: x.max() - x.min())
a    1
b    0
dtype: int64

group_keys 参数在这里没有效果，因为结果与输入相比不是类似索引的（即：一个变换）。

>>> g2.apply(lambda x: x.max() - x.min())
a    1
b    0
dtype: int64