如何在Python中按Date组将Value列缩放到[-3,3]范围？

核心思路 #

按Date分组后，对每组的Value列执行min-max缩放，将原数值映射到[-3,3]区间。缩放公式为：

scaled_value = ((value - group_min) / (group_max - group_min)) * 6 - 3

其中6是目标区间的长度（3 - (-3)），减3是将区间从[0,6]平移到[-3,3]。

方法一：自定义函数+groupby.transform（易读性高） #

适合大多数场景，代码逻辑清晰，还能处理组内数值全相同的边界情况：

import pandas as pd

def scale_to_range(series):
    group_min = series.min()
    group_max = series.max()
    # 避免组内值全相同导致的除以0错误，返回区间中点0
    if group_max == group_min:
        return pd.Series([0]*len(series), index=series.index)
    return ((series - group_min) / (group_max - group_min)) * 6 - 3

# 对DF按Date分组，缩放Value列并生成新列
DF['Scaled_Value'] = DF.groupby('Date')['Value'].transform(scale_to_range)

方法二：内置方法组合（性能更优，适合超大型数据集） #

利用pandas内置的分组统计方法，减少自定义函数的开销，效率更高：

import pandas as pd

# 计算每组的min和max，保持原数据索引对齐
grouped = DF.groupby('Date')['Value']
group_min = grouped.transform('min')
group_max = grouped.transform('max')

# 计算缩放值
DF['Scaled_Value'] = ((DF['Value'] - group_min) / (group_max - group_min)) * 6 - 3

# 处理组内值全相同的情况
DF.loc[group_min == group_max, 'Scaled_Value'] = 0

关键说明 #

• transform方法会保留原DataFrame的索引结构，无需额外合并操作，完美适配大型数据集的分组处理需求。
• 两种方法都处理了组内所有数值相同的边界场景，避免运行时错误。

内容的提问来源于stack exchange，提问作者Jasper