1. apply與transform
首先講一下apply() 與transform()的相同點與不同點
相同點：
都能針對dataframe完成特征的計算，並且常常與groupby()方法一起使用。
不同點：
apply()里面可以跟自定義的函數，包括簡單的求和函數以及復雜的特征間的差值函數等（注：apply不能直接使用agg()方法 / transform()中的python內置函數，例如sum、max、min、’count‘等方法）
transform() 里面不能跟自定義的特征交互函數，因為transform是真針對每一元素（即每一列特征操作）進行計算，也就是說在使用 transform() 方法時，需要記得三點：
1、它只能對每一列進行計算，所以在groupby()之后，.transform()之前是要指定要操作的列，這點也與apply有很大的不同。
2、由於是只能對每一列計算，所以方法的通用性相比apply()就局限了很多，例如只能求列的最大/最小/均值/方差/分箱等操作
3、transform還有什么用呢?最簡單的情況是試圖將函數的結果分配回原始的dataframe。也就是說返回的shape是（len(df)，1）。注：如果與groupby()方法聯合使用，需要對值進行去重
2. 各方法耗時
分別計算在同樣簡單需求下各組合方法的計算時長
2.1 transform() 方法+自定義函數
2.2 transform() 方法+python內置方法
2.3 apply() 方法+自定義函數
2.4 agg() 方法+自定義函數
2.5 agg() 方法+python內置方法
2.6 結論
- agg()+python內置方法的計算速度最快，其次是transform()+python內置方法。而 transform() 方法+自定義函數 的組合方法最慢，需要避免使用！
- 而下面兩圖中紅框內容可觀察發現：python自帶的stats統計模塊在pandas結構中的計算也非常慢，也需要避免使用！
3. 實例分析
需求：計算每個用戶每天
某種行為消費次數、消費總額、消費均額、消費最大額、消費最小額
在幾個終端支付、最常支付終端號、最常支付終端號的支付次數、最少支付終端號、最少支付終端號的支付次數
某種行為最常消費發生時間段、最常消費發生時間段的消費次數、最少消費發生時間段、最少消費發生時間段的消費次數
某種行為最早消費時間、最晚消費時間
原始數據信息：306626 x 9
具體選擇哪種方法處理，根據實際情況確定，在面對復雜計算時，transform() 與apply()結合使用往往會有意想不到的效果！
需要注意的是，在與apply()一起使用時，transform需要進行去重操作，一般是通過指定一或多個列完成。
此外，匿名函數永遠不是一個很好的辦法，在進行簡單計算時，無論是使用transfrom、agg還是apply，都要盡可能使用自帶方法！！！
4. 小技巧
在使用apply()方法處理大數據級時，可以考慮使用joblib中的多線程/多進程模塊構造相應函數執行計算，以下分別是采用多進程和單進程的耗時時長。
可以看到，在260W的數據集上，多進程比單進程的計算速度可以提升約17%~61% 。
