嘿各位Pandas达人，我最近碰到了一个挺费解的问题，想过来请教下！

我的需求是这样的：针对数据里的每个分组，检查指定列的缺失值占比，如果占比超过我设定的60%阈值，就把该列在这个分组下的所有值都替换成NA；要是没超过阈值，就保留原有的值（包括原本就存在的NA）。

为了实现这个逻辑，我尝试用groupby搭配transform，再结合一个带条件判断的lambda函数——核心逻辑就是先计算分组内该列的缺失值占比，根据占比和阈值的对比结果，决定返回原数据还是全NA。大部分情况这个逻辑都正常，但在某些特定条件下会出现奇怪的结果。

下面是我写的可复现代码：

import pandas as pd
import numpy as np

df = pd.DataFrame(
    {
    "A" : [np.nan, 4.7, 6.6, np.nan, np.nan, 5.4, 6., 5.3],
    "B" : [np.nan, np.nan, 7.2, 15., np.nan, 5.5, np.nan, np.nan],
    "C" : ["D", "D", "D", "E", "E", "F", "F", "F"]
    }
 )

# 我尝试的实现代码
result = df.groupby("C").transform(lambda x: x if x.isna().mean() <= 0.6 else np.nan)
print(result)

我原本以为这个代码能按预期工作，但实际运行后，部分分组的处理结果和我预想的完全不一样。比如分组D里，列A的缺失率是1/3≈33%（低于60%），应该保留原数据；列B的缺失率是2/3≈66.7%（高于60%），应该把分组D的列B全部换成NA。可实际输出的结果却不符合这个预期，我实在搞不懂哪里出了问题。

有没有大佬能帮我分析下这到底是怎么回事？是我的lambda函数写法有问题，还是groupby.transform的某些特性我没理解透？

备注：内容来源于stack exchange，提问作者TimDdckr