本篇内容介绍了“Pandas如何实现groupby分组的apply转换”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
这里的split指的是pandas的groupby，我们自己实现apply函数，apply返回的结果由pandas进行combine得到结果
function的第一个参数是dataframe
function的返回结果，可是dataframe、series、单个值，甚至和输入dataframe完全没关系
怎样对数值列按分组的归一化？
怎样取每个分组的TOPN数据？
将不同范围的数值列进行归一化，映射到[0,1]区间：
更容易做数据横向对比，比如价格字段是几百到几千，增幅字段是0到100
机器学习模型学的更快性能更好
归一化的公式：
每个用户的评分不同，有的乐观派评分高，有的悲观派评分低，按用户做归一化
计算
安全
数据库
网络和加速
企业服务
import pandas as pdratings = pd.read_csv( "./datas/movielens-1m/ratings.dat", sep="::", engine='python', names="UserID::MovieID::Rating::Timestamp".split("::"))ratings.head()# 实现按照用户ID分组，然后对其中一列归一化def ratings_norm(df): """ @param df：每个用户分组的dataframe """ min_value = df["Rating"].min() max_value = df["Rating"].max() df["Rating_norm"] = df["Rating"].apply( lambda x: (x-min_value)/(max_value-min_value)) return dfratings = ratings.groupby("UserID").apply(ratings_norm)ratings[ratings["UserID"]==1].head()可以看到UserID==1这个用户，Rating==3是他的最低分，是个乐观派，我们归一化到0分；
获取2018年每个月温度最高的2天数据
fpath = "./datas/beijing_tianqi/beijing_tianqi_2018.csv"df = pd.read_csv(fpath)# 替换掉温度的后缀℃df.loc[:, "bWendu"] = df["bWendu"].str.replace("℃", "").astype('int32')df.loc[:, "yWendu"] = df["yWendu"].str.replace("℃", "").astype('int32')# 新增一列为月份df['month'] = df['ymd'].str[:7]df.head()def getWenduTopN(df, topn): """ 这里的df，是每个月份分组group的df """ return df.sort_values(by="bWendu")[["ymd", "bWendu"]][-topn:]df.groupby("month").apply(getWenduTopN, topn=1).head()我们看到，grouby的apply函数返回的dataframe，其实和原来的dataframe其实可以完全不一样
“Pandas如何实现groupby分组的apply转换”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！
亿速云「云服务器」，即开即用、新一代英特尔至强铂金CPU、三副本存储NVMe SSD云盘，价格低至29元/月。点击查看>>
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
原文链接：https://my.oschina.net/czant/blog/4485842
