如何在Pandas中按分组对DataFrame各列应用函数？

嘿，你的需求我get到了——按分组对DataFrame的每列应用函数，而且实际场景里函数还可能返回和原列同形状的结果。你当前的嵌套apply写法虽然能实现功能，但确实有更简洁、高效还易读的替代方案，下面给你分场景唠唠：

1. 同形状输出场景：用groupby().transform() #

这绝对是最适合你“返回与原列形状相同结果”的场景！transform会自动帮你把分组计算后的结果广播对齐到原索引，完全不需要嵌套apply，代码干净得很。

举个例子，比如你示例里的分组均值（虽然是单值，但transform会自动广播到分组长度）：

import numpy as np
import pandas as pd

df1 = pd.DataFrame(
    data={"a": [1,2,3,4,5], "b": [6,7,8,9,10]},
    index=pd.Index([0,0,0,1,1], name="someindex")
)

# 用transform实现分组均值，输出和原DataFrame同形状
result = df1.groupby("someindex").transform(lambda x: np.average(x))
print(result)

要是你的自定义函数真的返回同长度数组，比如每个元素减去分组均值，transform照样完美适配：

def subtract_group_mean(x):
    return x - np.average(x)

result = df1.groupby("someindex").transform(subtract_group_mean)

2. 聚合单值输出场景：用groupby().agg()或内置方法 #

如果你的函数是聚合操作（比如示例里求均值，每个分组返回一个值），那agg()可比嵌套apply高效多了，而且代码更直观。甚至pandas内置了很多聚合方法，直接调用就行：

# 用agg+匿名函数，和你示例的聚合结果一致
df1.groupby("someindex").agg(lambda x: np.average(x))

# 更简洁：直接用pandas内置的mean方法（和np.average效果一致，无权重时）
df1.groupby("someindex").agg("mean")

# 最直观：直接调用分组后的mean方法
df1.groupby("someindex").mean()

3. 复杂分组级处理：简化apply的嵌套 #

要是你的函数需要操作整个分组的DataFrame（不是逐列单独处理），那还是可以用apply，但没必要嵌套两层，直接在函数里处理整个分组就行：

def process_entire_group(g):
    # 示例：对分组里的每列，每个元素乘该列的分组均值
    return g.apply(lambda x: x * np.average(x))

result = df1.groupby("someindex").apply(process_entire_group)

总结一下选择逻辑 #

• 👉 要同形状输出：优先用transform，性能好，代码简洁，自动对齐索引
• 👉 要聚合单值：优先用agg或pandas内置聚合方法，比嵌套apply高效易读
• 👉 要复杂分组逻辑：用单层apply处理整个分组DataFrame，避免嵌套

内容的提问来源于stack exchange，提问作者Alex