pandas.core.groupby.SeriesGroupBy.apply #

系列分组依据。apply ( func , * args , ** kwargs ) [来源] #

逐组应用函数func并将结果组合在一起。

传递给的函数apply必须采用系列作为其第一个参数并返回 DataFrame、Series 或标量。apply然后将负责将结果组合回单个数据帧或系列中。apply因此是一种高度灵活的分组方法。

虽然是一种非常灵活的方法，但其缺点是使用它可能比使用更具体的方法（如或）apply慢很多。 Pandas 提供了多种方法，这些方法比用于特定目的的方法要快得多，因此在使用它们之前请尝试使用它们。aggtransformapplyapply

参数：

可调用函数: 一个可调用函数，它接受一个系列作为其第一个参数，并返回一个数据帧、一个系列或一个标量。此外，可调用对象还可以采用位置参数和关键字参数。
include_groups bool, 默认 True: 当为 True 时，将尝试应用于func分组（如果它们是 DataFrame 的列）。如果这引发类型错误，则将在排除分组的情况下计算结果。当为 False 时，应用时将排除分组func。

2.2.0 版本中的新增内容。

自版本 2.2.0 起已弃用：已弃用将 include_groups 设置为 True。 pandas 的未来版本中只允许使用 False 值。
args、kwargs元组和 dict: 要传递给的可选位置参数和关键字参数func。

返回：

也可以看看

笔记

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。

改变传递的对象的函数可能会产生意外的行为或错误，因此不受支持。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。

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s上面我们可以看到g有两个组，a和b。请注意，g1有g2两个组a和b，并且仅在group_keys参数上有所不同。通过多种方式调用apply，我们可以得到不同的分组结果：

示例 1：传递给apply 的函数采用 Series 作为参数并返回 Series。apply 将每个组的结果组合在一起形成一个新的系列。

版本 1.3.0 中更改：生成的 dtype 将反映传递的返回值func。

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

在上面，组不是索引的一部分。我们可以通过使用g2where将它们包括在内group_keys=True：

>>> 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 的函数采用 Series 作为参数并返回标量。apply 将每个组的结果组合在一起形成一个系列，包括适当设置索引：

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

该group_keys参数在这里不起作用，因为与输入相比，结果不是类似索引的（即转换）。

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