transform不能替代apply，因transform仅支持逐列广播、强制保持原shape且仅接受字符串简写或等长返回函数，而apply支持跨列计算、结构变换及任意可调用对象。
transform 不能替代 apply，但用对了能避免写循环、省掉重索引、不报错也不丢行。
transform 只能按列广播，apply 能跨列计算
这是最常踩坑的点：你写了个需要同时访问 A 和 B 列的函数，比如 lambda x: x['A'] - x['B']，直接塞进 transform() 就会报 ValueError: transforms cannot produce aggregated results。因为 transform() 在 groupby 后是逐列调用函数的，它看不到其他列——哪怕你传的是 DataFrame，内部也会被拆成 Series 一个个喂进去。
apply() 没这限制：它能把整组 DataFrame 或 Series 当作一个整体传入，所以能做列间运算、返回标量、甚至返回新 DataFrame。
- ✅ 正确用法（
transform）：df.groupby('group')['salary'].transform('mean')或df.groupby('group')['salary'].transform(lambda x: x - x.mean()) - ❌ 错误用法（
transform）：df.groupby('group').transform(lambda x: x['A'] - x['B'])—— 报错 - ✅ 替代方案（
apply）：df.groupby('group').apply(lambda g: g.assign(diff=g['A'] - g['B']))
transform 强制保持原始 shape，apply 可以改结构
transform() 的核心契约就一条：输出必须和输入“对齐”，即返回值长度必须等于该组原始行数，且顺序严格一致。它本质是“广播式填充”——比如给每行都打上所在组的均值，结果还是和原 DataFrame 行数一样。
apply() 没这个约束：它可以返回标量（变成一列）、返回 Series（变成多列）、甚至返回 DataFrame（需手动处理索引），适合做降维聚合或扩维展开。
- ✅
transform场景：标准化每组数据：df.groupby('user_id')['score'].transform(lambda x: (x - x.mean()) / x.std()) - ✅
apply场景：为每组生成统计摘要：df.groupby('user_id').apply(lambda g: pd.Series({'cnt': len(g), 'max_score': g['score'].max()})) - ⚠️ 注意：
apply返回标量时，默认会自动升维成 Series，索引是分组键；返回 DataFrame 时，索引会变成 MultiIndex，容易和原数据对不上。
transform 支持字符串简写，apply 必须传函数
transform() 接受字符串如 'mean'、'first'、'size'，底层直接调用优化过的 C 实现，快且稳；apply() 不支持这种写法，传字符串会当作函数名去查，找不到就报 TypeError。
但反过来，apply() 能接任意可调用对象，包括嵌套函数、带状态的闭包、甚至外部模块里的方法；transform() 对函数签名更敏感——它要求函数返回值必须是标量或与输入等长的序列，否则直接崩。
- ✅
transform简写：df.groupby('cat')['val'].transform('cumsum') - ❌
apply简写：df.groupby('cat')['val'].apply('cumsum')—— 报错 - ✅
apply自定义：df.groupby('cat').apply(lambda g: some_heavy_computation(g))
性能差异不是玄学，关键看是否触发 Python 循环
当操作能用内置字符串（如 'mean'）表达时，transform() 几乎总是比 apply() 快 5–10 倍，因为它绕过了 Python 层循环，直奔底层 Cython 实现。但一旦你用 lambda 或自定义函数，两者性能差距就很小了，甚至 apply() 在某些复杂逻辑下反而更可控。
真正拖慢速度的是在 apply() 里做不该做的事：比如在函数里反复调用 .iloc、构造新 DataFrame、或者触发隐式类型转换。这些在 transform() 里同样会慢，只是它根本不让你干。
- ✅ 快的操作：
df.groupby('id')['x'].transform('std') - ⚠️ 慢但常见：
df.groupby('id')['x'].apply(lambda s: s.rolling(3).mean())—— 应该用transform(lambda s: s.rolling(3).mean())，但注意 rolling 默认不支持 transform，得换apply或预计算
别指望用一个方法覆盖所有场景。关键是记住：要“贴着原表加一列特征”，优先想 transform；要“按组产出摘要或重构结构”，就该用 apply。中间那个模糊地带——比如需要列运算又得保持行数——往往得拆成两步，或者老老实实用 merge 回填。
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！
