跟aggregate一樣，transform也是一個有著嚴格條件的特殊函數：傳入的函數只能產生兩種結果，要么產生一個可以傳播的標量值(如np.mean)，要么產生一個相同大小的結果數組。最一般化的GroupBy方法是apply，apply會將待處理的對象拆分成多個片段，然后對各片段調用傳入的函數，最后嘗試將各片段組合到一起。

apply方法

舉例：根據分組選出最高的5個tip_pct值。

首先，編寫一個選取指定列具有最大值的行的函數。(原文比較拗口，其實就是“在 指定列找出最大值，然后把這個值所在的行選取出來。”)

In [1]: def top(df,n=5,column='tip_pct'):     ...: return df.sort_index(by=column)[-n:]     ...: 

新寫法：注意與上面的差別

In [2]: def top(df,n=5,column='計劃發出單量'):    ...: return df.sort_values(by=column)[-n:]    ...:In [3]: top(tips,n=6)Out[3]: total_bill  tip  smoker   day time  size tip_pct109   14.31       4.00 Yes      Sat Dinner 2   0.279525183   23.17       6.50 Yes      Sun Dinner 4   0.280535232   11.61      3.39 No      Sat Dinner 2   0.29199067    3.07       1.00 Yes     Sat Dinner 1   0.325733178   9.60       4.00 Yes     Sun Dinner 2   0.416667172   7.25       5.15 Yes     Sun Dinner 2   0.710345

如果對smoker分組并用該函數調用apply，就會得到：

top函數在DataFrame的各個片段上調用，然后結果由pandas.concat組裝到一起，并以分組名稱進行了標記。于是，最終結果就有了一個層次化索引，其內層索引值來自原DataFrame。

如果傳給apply的函數能夠接受其他參數或關鍵字，則可以將這些內容放在函數名后面一并傳入：

注意：除這些基本用法之外，能否充分發揮apply的威力很大程度上取決于你的創造力。傳入的那個函數能做什么全由你說了算，它只需返回一個pandas對象或標量值即可。本章后續部分的示例主要用于講解如何利用groupby解決各種各樣的問題。

在GroupBy對象上調用describe：

在GroupBy中，當調用諸如describe之類的方法時，實際上只是應用了下面兩條代碼的快捷方式而已：

f = lambda x: x.describe()

Grouped.apply(f)

禁止分組鍵：group_keys=False

分組鍵會跟原始對象的索引共同構成結果對象中的層次化索引。將group_keys=False傳入groupby即可禁止該效果：

python好書推薦

推薦一本python好書，初學者和數據分析必備，小編已讀：