熊猫的转换不起作用按输出分组

Question

另一个熊猫问题。

阅读韦斯·麦金尼（Wes Mckinney）关于数据分析和熊猫的出色著作，我遇到了以下我认为应该起作用的事情：

假设我有一些有关提示的信息。

In [119]:

tips.head()
Out[119]:
total_bill  tip      sex     smoker    day   time    size  tip_pct
0    16.99   1.01    Female  False   Sun     Dinner  2   0.059447
1    10.34   1.66    Male    False   Sun     Dinner  3   0.160542
2    21.01   3.50    Male    False   Sun     Dinner  3   0.166587
3    23.68   3.31    Male    False   Sun     Dinner  2   0.139780
4    24.59   3.61    Female  False   Sun     Dinner  4   0.146808

我想知道与总费用有关的五个最大技巧，即分别tip_pct针对吸烟者和不吸烟者。所以这有效：

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

In [101]:

tips.groupby('smoker').apply(top)
Out[101]:
           total_bill   tip sex smoker  day time    size    tip_pct
smoker                                  
False   88   24.71   5.85    Male    False   Thur    Lunch   2   0.236746
185  20.69   5.00    Male    False   Sun     Dinner  5   0.241663
51   10.29   2.60    Female  False   Sun     Dinner  2   0.252672
149  7.51    2.00    Male    False   Thur    Lunch   2   0.266312
232  11.61   3.39    Male    False   Sat     Dinner  2   0.291990

True    109  14.31   4.00    Female  True    Sat     Dinner  2   0.279525
183  23.17   6.50    Male    True    Sun     Dinner  4   0.280535
67   3.07    1.00    Female  True    Sat     Dinner  1   0.325733
178  9.60    4.00    Female  True    Sun     Dinner  2   0.416667
172  7.25    5.15    Male    True    Sun     Dinner  2   0.710345

足够好了，但是然后我想使用pandas的transform来做类似的事情：

def top_all(df):
    return df.sort_index(by='tip_pct')

tips.groupby('smoker').transform(top_all)

但是我得到了这个：

TypeError: Transform function invalid for data types

为什么？我知道转换需要返回与输入相同尺寸的数组，因此我认为我只需要对原始DataFrame的两个切片（吸烟者和非吸烟者）进行排序，而不必更改其各自的维度。谁能解释为什么失败？

Answer 1

transform没有足够的文档，但是似乎它的工作方式是传递转换函数不是将整个组作为数据框，而是单个组中的单个列。我不认为这确实意味着要执行的操作，并且您的解决方案apply也不错。

这样吧tips.groupby('smoker').transform(func)。将有两个组，分别称为group1和group2。转换不会调用func(group1)和func(group2)。相反，它先调用func(group1['total_bill'])，然后依次func(group1['tip'])是等，然后依次func(group2['total_bill'])是func(group2['tip'])。这是一个例子：

>>> print d
   A  B  C
0 -2  5  4
1  1 -1  2
2  0  2  1
3 -3  1  2
4  5  0  2
>>> def foo(df):
...     print ">>>"
...     print df
...     print "<<<"
...     return df
>>> print d.groupby('C').transform(foo)
>>>
2    0
Name: A
<<<
>>>
2    2
Name: B
<<<
>>>
1    1
3   -3
4    5
Name: A
<<<
>>>
1   -1
3    1
4    0
Name: B
# etc.

您可以看到foo首先被调用的是原始数据帧的C = 1组的A列，然后是该组的B列，然后是C = 2组的A列，等等。

如果您考虑转换的目的，这是有道理的。这是为了在组上应用转换功能。但是通常，将这些功能应用于整个组时，仅应用于给定的列，就没有意义。例如，pandas文档中的示例是有关使用进行z标准化的transform。如果您有一个带有年龄和体重列的DataFrame，那么就这两个变量的总体平均值进行z标准化是没有意义的。拿一堆数字的整体平均值甚至都没有任何意义，其中一些是年龄，一些是权重。您必须相对于平均年龄对年龄进行标准化，相对于平均体重，对体重进行标准化，这意味着您要为每列分别进行转换。

因此，基本上，您无需在此处使用转换。
apply是适当的功能，因为apply实际上每个组都作为一个DataFrame进行transform操作，而对每个组的每一列进行操作。