- Pandas具有丰富的功能让我们探索，
transform就是其中之一，利用它可以高效地汇总数据。 - Python Data Science Handbook 是一个关于pandas的优秀资源。
- 在该书的描述中，
transform是与groupby（pandas中最有用的操作之一）组合使用的。一般情况下，我们在groupby之后使用aggregate , filter 或 apply来汇总数据，transform可能稍难理解。 - 该书对应的github资源 jupyter notebooks里的内容可能对理解transform的独特作用有所帮助。
aggregation会返回数据的缩减版本，而transformation能返回完整数据的某一变换版本供我们重组。这样的transformation，输出的形状和输入一致。一个常见的例子是通过减去分组平均值来居中数据。
- 接下来，我们利用简单的11行销售数据实际做一个其它用途的例子来掌握
transform。
实践
- 加载数据
import pandas as pd
df = pd.read_excel("sales_transactions.xlsx")
- 查看数据
- 可以看到数据包含了不同的订单（order），以及订单里的不同商品的数量（quantity）、单价（unit price）和总价（ext price）
- 现在我们的任务是为数据表添加一列，表示不同商品在所在订单的价钱占比。
- 首先我们要获得每个订单的总花费。
groupby可以实现。
df.groupby('order')["ext price"].sum()
order
10001 576.12
10005 8185.49
10006 3724.49
Name: ext price, dtype: float64
- 这些新得到的数据如何与原始数据帧结合呢？
order_total = df.groupby('order')["ext price"].sum().rename("Order_Total").reset_index()
df_1 = df.merge(order_total)
df_1["Percent_of_Order"] = df_1["ext price"] / df_1["Order_Total"]
- 我们实现了目标（还多加了一列订单总额），但是步骤比较多，有没有更好的办法呢？——主角出场:）
Transform
- 我们先试下
df.groupby('order')["ext price"].transform('sum')
0 576.12
1 576.12
2 576.12
3 8185.49
4 8185.49
5 8185.49
6 8185.49
7 8185.49
8 3724.49
9 3724.49
10 3724.49
11 3724.49
dtype: float64
- 不再是只显示3个订单的对应项，而是保持了与原始数据集相同数量的项目，这样就很好继续了。这就是
transform的独特之处。
df["Order_Total"] = df.groupby('order')["ext price"].transform('sum')
df["Percent_of_Order"] = df["ext price"] / df["Order_Total"]
- 甚至可以一步：
df["Percent_of_Order"] = df["ext price"] / df.groupby('order')["ext price"].transform('sum')
