如何用transform/map在Python中实现分组条件减法创建新列

需求：对Pandas DataFrame按a列分组，提取每组中b列等于2对应的c列值，再用该组所有c列值减去此值生成新列d，要求使用transform或map函数实现。

示例数据 #

import pandas as pd

data = [
["R", 1, 2],
["R", 2, 4],
["R", 3, 6],
["R", 4, 8],
["S", 0, 5],
["S", 1, 4],
["S", 2, 1],
["S", 3, 3]]

df = pd.DataFrame(data=data, columns=["a", "b", "c"])

原始输出：

a   b   c   
0   R   1   2   
1   R   2   4   
2   R   3   6   
3   R   4   8   
4   S   0   5   
5   S   1   4   
6   S   2   1   
7   S   3   3   

期望输出：

a   b   c   d   
0   R   1   2  -2
1   R   2   4   0 
2   R   3   6   2
3   R   4   8   4
4   S   0   5   4
5   S   1   4   3
6   S   2   1   0 
7   S   3   3   2

方法1：使用transform实现 #

transform可在分组后返回与原DataFrame同长度的结果，适配场景需求：

# 按a分组，提取每组b=2对应的c值，通过transform广播到组内所有行
df['d'] = df['c'] - df.groupby('a')['c'].transform(lambda x: x[df.loc[x.index, 'b'] == 2].iloc[0])

说明：

• df.groupby('a')['c'].transform(...)：对每个分组的c列执行自定义逻辑
• 函数内通过x.index获取当前分组的行索引，匹配b列等于2的行并取出对应c值（假设每组仅存在一个b=2的行），transform会自动将该值广播到组内所有行
• 用原c列减去广播后的基准值，得到目标列d

方法2：使用map实现 #

先构建分组基准值字典，再通过map匹配计算差值：

# 构建a列与b=2对应c值的映射字典
ref_dict = df[df['b'] == 2].set_index('a')['c'].to_dict()
# 用map匹配每行的a值，获取基准值后计算差值
df['d'] = df['c'] - df['a'].map(ref_dict)

说明：

• 先筛选出b=2的行，将a设为索引并转为字典，键为a的取值，值为对应c值
• df['a'].map(ref_dict)为每行匹配到对应的基准值
• 原c列减去基准值得到d列

两种方法均能得到期望结果：map方式代码更简洁、效率更高；transform更适合分组内需要复杂逻辑处理的场景。

内容的提问来源于stack exchange，提问作者Nazanin