Python 将用户定义的函数应用于中Group By的每个子组

我现在和熊猫一起工作了一段时间，但我真的在团队中按功能来划分

我定义了以下函数，它最终对新列R、F、M和RFM进行排序并赋值：

def get_rfm(dataframe):
    dfr=dataframe.sort('last_order_date', ascending=True)
    get_var(dfr.R)

    dff=dfr.sort('number_of_orders', ascending=True)
    get_var(dff.F)

    dfm=dff.sort('total_price',ascending=True)
    get_var(dfm.M)

    dfm.RFM[:]=dfm['R']+dfm['M']+dfm['F']
    dfrfm=dfm.sort('RFM', ascending=True)
    print(dfrfm.info())
    return dfrfm

我在我的pandas数据帧上运行这个函数，得到了预期的结果。我将其返回到一个新的df中，然后对其运行一些统计数据

我现在要做的是在dataframe上运行一个group by函数，通过其他列之一对它们进行分组，并对子组执行此分析。我试着

df.groupby('size_of_business').apply(get_rfm)

但结果并不是我所期望的。返回的数据帧似乎是多索引的

<class 'pandas.core.frame.DataFrame'>
MultiIndex: 57196 entries, ( Did Not Answer, 67103) to (More than 10 people, 5617)
Data columns (total 11 columns):

多重索引：57196条，（未回答，67103条）至（超过10人，5617条）
数据列（共11列）：

然后是列列表。多重索引的第一部分应该是我对数据帧分组时使用的名称，然后是看起来像索引的名称

---

我认为apply将每个组视为一个子数据帧，然后我可以对其进行操作并返回。我相信我对这个结构的理解是有缺陷的，我很难找到任何有助于纠正我自己的东西。

你可以使用as_index=False:

df.groupby('size_of_business', as_index=False)

---

你希望结果是什么？我猜“没有回答”和“超过10个人”是您分组的值，索引的另一部分（数字67103和5617）是原始数据帧的索引，现在已排列。这是它的正常工作方式：grouped by元素被添加为一个新的索引级别。您希望得到什么？运行此函数后，我希望能够重新访问每个子组并对其进行进一步分析。但我对结果的格式很好奇。在执行groupby函数后，我可以使用descripe（）函数，它将返回一个表，该表按每个分组名称进行子索引，并包含统计信息。在我的apply函数之后，我想看看相同类型的表，但它将表压缩为一个，行是描述参数，没有组索引级别。我认为在最后会发生一些对齐魔术（而不仅仅是concat），我经常发现groupby应用了一种黑暗的艺术。@mrdst:我仍然不太明白您想做什么，但是如果您想对每个组“执行进一步的分析”，为什么不在groupby函数中进行分析呢？也就是说，创建一个实际执行您想要执行的分析的函数，并使用

groupby（…）.apply（…）

，这样它只返回您的分析结果。您是否尝试过transfrom而不是apply？这并没有真正解决我的问题，输出结果是相同的。最后，我在一个列表中获取了分组依据的值，并在列表上进行迭代，并使用

dataframe=df[df['size\u of_business']==groups]

获取每个子帧，然后调用子帧上的函数。