apply返回值类型决定结果形状：标量→series，pd.series/dict→dataframe，dataframe→multiindex；需显式命名、避免describe；整组计算用groupby().apply()；性能优先agg；调试先测单组。
用 apply 传入自定义函数，但必须返回明确结构
直接对 groupby 对象调用 apply 是最常用方式，但关键不是“能传函数”，而是函数的返回值类型会决定最终结果形状。如果函数返回标量（如 float、int），结果是 Series；如果返回 pd.Series 或 dict，结果是 DataFrame；如果返回一个完整 DataFrame，结果会自动堆叠成多层索引结构——这点极易踩坑。
常见错误现象：apply 后得到意外的 MultiIndex 或列名混乱，本质是函数返回了未命名的 Series 或未指定 name 的字典。
- 函数内若需返回多个统计量，推荐用
pd.Series({'mean': x.mean(), 'std': x.std()})，显式命名 - 避免在函数里直接写
return x.describe()，它返回带层级索引的Series，容易导致后续操作失败 - 如果函数逻辑依赖组内其他列（不止分组键），确保传入的是整个子
DataFrame，而不是默认的Series（即别用df.groupby('A')['B'].apply(...)，改用df.groupby('A').apply(...)）
处理返回非标量结果时，用 result_type='expand' 控制展开行为
当自定义函数返回 list、tuple 或 np.ndarray 时，apply 默认把整个对象当做一个单元塞进结果，不会自动拆成列。这时候要主动加参数控制。
使用场景：比如每组计算前 3 个最大值，想展开为三列 top1、top2、top3。
- 函数应返回
pd.Series([v1, v2, v3], index=['top1', 'top2', 'top3'])，而非[v1, v2, v3] - 或保持返回
list，但调用时加result_type='expand'，此时必须确保所有组返回等长列表，否则报错ValueError: all objects must have the same length -
result_type='reduce'强制降维（适合返回单值但误被当对象的情况），result_type='broadcast'会把结果广播回原行数——这两个极少用，别乱试
性能敏感时，优先用 agg + 命名元组，而非 apply
如果自定义函数本质是聚合（输入一组值，输出一个或几个汇总值），agg 比 apply 快得多，且天然支持多函数、多列组合。它不执行 Python 循环，而是委托给底层优化路径。
性能影响：对百万级数据，df.groupby('A').apply(lambda x: (x['B'].mean(), x['C'].sum())) 可能比等价的 df.groupby('A').agg({'B': 'mean', 'C': 'sum'}) 慢 5–10 倍。
- 复杂逻辑可封装为普通函数，然后传给
agg：df.groupby('A').agg({'B': my_custom_agg_func}) - 若需同时返回多个指标，函数应返回
pd.Series，并配合列名映射：df.groupby('A').agg({'B': lambda x: pd.Series({'avg': x.mean(), 'cnt': x.count()})}) -
apply在需要访问整组DataFrame行顺序、做跨行计算（如累计差分、窗口拟合）时不可替代；但只要能拆解为列独立聚合，就别用apply
调试自定义函数时，先用 .head(1) 组测试再全量跑
分组后调用自定义函数出错，往往不是语法问题，而是某组数据为空、含 NaN、类型不一致，或函数内部用了全局变量/副作用（如修改外部 list）。直接全量运行会掩盖具体哪组崩了。
容易被忽略的地方：空组（groupby 后某组无数据）会导致传入空 DataFrame，若函数里写了 x.iloc[0] 就立刻报 IndexError；又或者用了 scipy.stats.linregress(x['A'], x['B'])，但某组只有 1 行，直接抛异常。
- 先取一个典型组测试：
grp = list(df.groupby('A'))[0][1]; my_func(grp) - 在函数开头加防御判断：
if len(x) == 0: return np.nan或if x['B'].nunique() - 别依赖
print()调试——apply可能并行或重排执行顺序，输出错乱；改用logging或写临时文件
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
