Pandas中的宝藏函数-transform()-技术圈

Pandas具有很多强大的功能，transform就是其中之一，利用它可以高效地汇总数据且不改变数据行数，transform是一种什么数据操作？如果熟悉SQL的窗口函数，就非常容易理解了，该函数的核心功能是，既计算了统计值，又保留了明细数据。为了更好地理解transform和agg的不同，下面从实际的应用场景出发进行对比。

aggregation会返回数据的缩减版本，而transformation能返回完整数据的某一变换版本供我们重组。这样的transformation，输出的形状和输入一致。一个常见的例子是通过减去分组平均值来居中数据。

#数据构造data = pd.DataFrame({"company":['百度', '阿里', '百度', '阿里', '百度', '腾讯', '腾讯', '阿里', '腾讯', '阿里'],"salary":[43000, 24000, 40000, 39000, 8000, 47000, 25000, 16000, 21000, 38000],"age":[25, 34, 49, 42, 28, 23, 45, 21, 34, 29]}) data  company  salary  age0      百度   43000   251      阿里   24000   342      百度   40000   493      阿里   39000   424      百度    8000   285      腾讯   47000   236      腾讯   25000   457      阿里   16000   218      腾讯   21000   349      阿里   38000   29

1、transform作用于Series

1）单个变换函数

当transform作用于单列Series时较为简单，对salary列进行transform变换我们可以传入任意的非聚合类函数，比如对工资列对数化

import pandas as pd import numpy  as np# 对工资对数化data['salary'].transform(np.log) 0    10.6689551    10.0858092    10.5966353    10.5713174     8.9871975    10.7579036    10.1266317     9.6803448     9.9522789    10.545341Name: salary, dtype: float64

除了内置函数，还可以传入lambda函数

# lambda函数data['salary'].transform(lambda s: s+1)0    430011    240012    400013    390014     80015    470016    250017    160018    210019    38001Name: salary, dtype: int64

2）多个变换函数

也可以传入包含多个变换函数的列表来一口气计算出多列结果：

data['salary'].transform([np.log, lambda s: s+1, np.sqrt])   log  <lambda>        sqrt0  10.668955     43001  207.3644141  10.085809     24001  154.9193342  10.596635     40001  200.0000003  10.571317     39001  197.4841774   8.987197      8001   89.4427195  10.757903     47001  216.7948346  10.126631     25001  158.1138837   9.680344     16001  126.4911068   9.952278     21001  144.9137679  10.545341     38001  194.935887

而又因为transform传入的函数，在执行运算时接收的输入参数是对应的整列数据，所以我们可以利用这个特点实现诸如数据标准化、归一化等需要依赖样本整体统计特征的变换过程：

# 利用transform进行数据标准化data['salary'].transform(lambda s: (s - s.mean()) / s.std())0    0.9910381   -0.4686302    0.7605643    0.6837394   -1.6978255    1.2983376   -0.3918067   -1.0832288   -0.6991049    0.606915Name: salary, dtype: float64

2、 transform作用于DataFrame

当transform作用于整个DataFrame时，实际上就是将传入的所有变换函数作用到每一列中：

data.loc[:,'salary':'age'].transform(lambda s:(s-s.mean()) /s.std())     salary       age0  0.991038 -0.8320501 -0.468630  0.1040062  0.760564  1.6641013  0.683739  0.9360574 -1.697825 -0.5200315  1.298337 -1.0400636 -0.391806  1.2480757 -1.083228 -1.2480758 -0.699104  0.1040069  0.606915 -0.416025

而当传入多个变换函数时，对应的返回结果格式类似agg中的机制，会生成MultiIndex格式的字段名

data.loc[:, 'salary': 'age'].transform([np.log, lambda s: s+1])  salary                age                  log <lambda>       log <lambda>0  10.668955    43001  3.218876       261  10.085809    24001  3.526361       352  10.596635    40001  3.891820       503  10.571317    39001  3.737670       434   8.987197     8001  3.332205       295  10.757903    47001  3.135494       246  10.126631    25001  3.806662       467   9.680344    16001  3.044522       228   9.952278    21001  3.526361       359  10.545341    38001  3.367296       30

而且由于作用的是DataFrame，还可以利用字典以键值对的形式，一口气为每一列配置单个或多个变换函数：

(data.loc[:, 'salary': 'age'].transform({'age': lambda s: (s - s.mean()) / s.std(),                'salary': [np.log, np.sqrt]}))   age     salary               <lambda>        log        sqrt0 -0.832050  10.668955  207.3644141  0.104006  10.085809  154.9193342  1.664101  10.596635  200.0000003  0.936057  10.571317  197.4841774 -0.520031   8.987197   89.4427195 -1.040063  10.757903  216.7948346  1.248075  10.126631  158.1138837 -1.248075   9.680344  126.4911068  0.104006   9.952278  144.9137679 -0.416025  10.545341  194.935887

3、transform作用于groupby分组后

在原来的数据中，我们知道了如何求不同公司的平均薪水，假如需要在原数据集中新增一列salary_mean，代表该公司的平均薪水，该怎么实现呢？

data['salary_mean'] = data.groupby('company')[['salary']].transform('mean')data   company  salary  age   salary_mean0      百度   43000   25  30333.3333331      阿里   24000   34  29250.0000002      百度   40000   49  30333.3333333      阿里   39000   42  29250.0000004      百度    8000   28  30333.3333335      腾讯   47000   23  31000.0000006      腾讯   25000   45  31000.0000007      阿里   16000   21  29250.0000008      腾讯   21000   34  31000.0000009      阿里   38000   29  29250.000000

通过上面的数据可以看出，利用transform输出，既得到了统计数据，形状也没有变化。

当然，也可对多个数据列进行计算

data.groupby('company')[['salary', 'age']].transform('mean')         salary   age0  30333.333333  34.01  29250.000000  31.52  30333.333333  34.03  29250.000000  31.54  30333.333333  34.05  31000.000000  34.06  31000.000000  34.07  29250.000000  31.58  31000.000000  34.09  29250.000000  31.5

我们也可以用map函数实现类似的功能，但是稍微复杂点，但是有助于我们理解transform的含义。

avg_dict = data.groupby('company')['salary'].mean().to_dict()avg_dict#得到了一个平均工资的字典{'百度': 30333.333333333332, '腾讯': 31000.0, '阿里': 29250.0}#利用map函数，将得到的字典映射到对应的列data['salary_mean'] = data['company'].map(avg_dict)datacompany  salary  age   salary_mean0      百度   43000   25  30333.3333331      阿里   24000   34  29250.0000002      百度   40000   49  30333.3333333      阿里   39000   42  29250.0000004      百度    8000   28  30333.3333335      腾讯   47000   23  31000.0000006      腾讯   25000   45  31000.0000007      阿里   16000   21  29250.0000008      腾讯   21000   34  31000.0000009      阿里   38000   29  29250.000000

以图解的方式来看看进行groupby后transform的实现过程（公司列包含ABC，salary列为每个员工的工资明细）：

上图中的大方框是transform和agg 所不一样的地方，对agg而言，会计算并聚合得到 A，B，C 公司对应的均值并直接返回，每个公司一条数据，但对transform而言，则会对每一条数据求得相应的结果，同一组内的样本会有相同的值，组内求完均值后会按照原索引的顺序返回结果

关联阅读：

Pandas中的宝藏函数-map

Pandas中的宝藏函数-apply

Pandas中的宝藏函数-applymap

Pandas中的宝藏函数-agg()

一文搞懂Pandas数据排序

Pandas缺失值处理-判断和删除

一网打尽Pandas中的各种索引 iloc,loc,ix,iat,at,直接索引

↓扫描关注本号↓