transform是实现广播式聚合的唯一推荐方式，它返回与原DataFrame行数一致的结果，支持字符串简写和自定义函数，但要求函数返回标量或等长序列，且索引必须唯一。
用 transform 替代 agg 或 apply 实现广播式聚合
当你需要按组计算统计量（比如均值、最大值），又希望结果和原 DataFrame 行数一致、能直接作为新列赋值，transform 是唯一推荐方式。它强制返回与输入索引对齐的 Series 或 DataFrame，天然适配“原形状”需求。
常见错误是误用 agg：它默认压缩维度，返回每组一行；apply 行为不稳定，若函数返回标量也会被压缩，容易引发 ValueError: cannot assign a function result to a frame with different number of rows。
-
transform内部会自动广播：哪怕你写lambda x: x.mean()，它也把该组均值填满整组所有行 - 支持字符串简写（如
'mean'、'size'）和自定义函数，但函数必须返回标量或与分组长度一致的序列 - 若函数返回长度不等于分组长度的数组（如
np.array([1, 2])对三行组），会报Length mismatch
df['group_mean'] = df.groupby('category')['value'].transform('mean')
遇到 transform 报 cannot handle a non-unique multi-index 怎么办
这个错误只在你对含重复索引的 DataFrame 做 groupby().transform() 时触发，本质是 Pandas 无法安全对齐结果——因为索引不唯一，它不知道该把计算值塞到哪一行。
不是数据本身有问题，而是索引管理没做干净。最稳妥解法是重置索引，让行号成为唯一标识：
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
立即学习“Python免费学习笔记（深入）”；
- 执行
df = df.reset_index(drop=True)再做transform，这是最快验证方式 - 如果原始索引有意义（比如时间戳），改用
df.groupby(..., group_keys=False)通常无效，真正起作用的是确保索引唯一性 - 避免用
set_index创建重复索引后再 groupby —— 检查df.index.is_unique是前置习惯
想同时算多个指标并保持原形状？别链式调用 transform
有人尝试 df.groupby('A')['B'].transform('mean').transform('std')，这实际是对上一步结果再分组，完全偏离本意。要一次返回多列（如每行同时有组内均值、标准差、计数），必须用 agg 配合 join 或直接用 transform 分别赋值。
- 推荐分别计算：
df['B_mean'] = df.groupby('A')['B'].transform('mean')，df['B_std'] = df.groupby('A')['B'].transform('std') - 若追求简洁，可用
df[['B_mean', 'B_std']] = df.groupby('A')['B'].apply(lambda x: pd.Series({'B_mean': x.mean(), 'B_std': x.std()})).reindex(df.index)，但性能差且易出对齐问题 -
transform不支持字典式聚合（像agg({'B': ['mean', 'std']})那样），这是它的明确限制
为什么 transform 有时比 apply 慢？关键看函数类型
纯字符串操作（如 'sum'、'nunique'）下 transform 经过高度优化，通常比等价 apply 快 2–5 倍；但一旦用 lambda 或自定义函数，Pandas 会退化为逐组 Python 循环，此时 transform 和 apply 性能几乎无差别，甚至更慢（因额外对齐开销）。
- 优先用内置字符串名：
transform('size')比transform(lambda x: len(x))快得多 - 涉及复杂逻辑时，不如先
groupby().apply()得到中间结果，再map回原表，反而更可控 - 千万注意：
transform对NaN组默认跳过（类似skipna=True），若业务要求保留 NaN 组结果，得手动补全
真正容易被忽略的是：只要用了自定义函数，transform 就失去向量化优势，而很多人只盯着“形状匹配”却没评估实际耗时。
