如何基于已处理DataFrame实现新DataFrame的类sklearn fit_transform转换

完全可行，核心思路是先从df1中拟合出分组规则和基准统计值，再将这些规则复用在df2上，具体步骤如下：

1. 从df1中拟合转换规则 #

先统一分组区间，计算并保存每个分组的RnkMeanGroup基准值（对应sklearn的fit阶段）：

import pandas as pd
import numpy as np

# 初始化并处理df1
df1 = pd.DataFrame(np.random.randint(0, 101, (100, 2)), columns=['M', 'A'])
max_min = 100
step = 5
# 统一分组区间（覆盖0-100所有数值）
bins = range(0, max_min + step, step)
df1['M_bin'] = pd.cut(df1['M'], bins=bins)

# 计算组内A列降序排名并取整
df1['RnkGroup'] = df1.groupby('M_bin')['A'].transform('rank', ascending=False).round()

# 提取每个分组的RnkMeanGroup基准值，保存为映射字典
rank_mean_mapping = df1.groupby('M_bin')['RnkGroup'].mean().round().to_dict()

2. 将规则应用到df2（对应sklearn的transform阶段） #

用相同的分组逻辑处理df2，复用排名规则和从df1学到的基准值：

# 初始化df2
df2 = pd.DataFrame(np.random.randint(0, 101, (100, 2)), columns=['M', 'A'])

# 1. 按相同区间对df2分组
df2['M_bin'] = pd.cut(df2['M'], bins=bins)

# 2. 执行相同的组内降序排名取整操作
df2['RnkGroup'] = df2.groupby('M_bin')['A'].transform('rank', ascending=False).round()

# 3. 映射df1中拟合的分组均值
df2['RnkMeanGroup'] = df2['M_bin'].map(rank_mean_mapping)

关键说明 #

• 分组区间是固定规则，直接复用即可覆盖所有0-100的数值；
• RnkGroup的计算是通用的组内排名逻辑，对df2独立执行；
• RnkMeanGroup是从df1中学习到的分组基准值，确保df2使用和df1完全一致的均值规则。

内容的提问来源于stack exchange，提问作者luka