groupby講得有點膩了，忍忍，最後一天。
groupby常用的方法有四個agg(), filter(), transform(), apply()
今天要來到最後一個apply了。

apply的功能是把所有分組內容丟到function或lambda裡去跑，再把回傳的東西拼接來。

• func(group) 回傳 標量 → 最後輸出 Series（index 是 group key）。
• func(group) 回傳 Series → 最後輸出 DataFrame（columns 來自 Series 的 index）。
• func(group) 回傳 DataFrame → 最後輸出 DataFrame（多組 DataFrame 上下拼接）。

不同於前三個方法都有些限制

• agg 需要每組回傳一個純量值 (如果是一個聚合函數的話)
• filter 需要每組回傳是否滿足condition，回傳true or false
• transform 需要回傳列數相同的series或dataframe

apply沒有，超級靈活，想怎麼長就怎麼長，隨user需求野蠻生長。它的語法和前三個很像很好上手。df.groupby(group column).apply(apply_func)

以下面程式為例，

def apply_func(g):
    return pd.DataFrame({
        "交易量總和": [g["交易量_公斤"].sum()],
        "交易量平均": [g["交易量_公斤"].mean()],
        "交易量最大": [g["交易量_公斤"].max()],
        "交易量最小": [g["交易量_公斤"].min()],
    })

result = df.groupby("市場代號").apply(apply_func)


#Result
交易量總和  交易量平均  交易量最大  交易量最小 市場代號
104  0       0      0      0      0
109  0       0      0      0      0
220  0       0      0      0      0
241  0       0      0      0      0
260  0       0      0      0      0
338  0       0      0      0      0
400  0       0      0      0      0
420  0   96178   1023   8100     12
423  0       0      0      0      0
512  0       0      0      0      0
800  0  237575   1439  13292     10
900  0       0      0      0      0
950  0   25234    494   2308      3

它非常彈性，適合處理一些難纏的需求，但是要小心，靈活的背後犧牲了效率，所以也是不要為apply而apply啊！
原則就是能用agg()和transform()處理的就不要用apply

然後下面來做個小小demo，看一下四個方法的差異。

原始資料 df

Step 1. Split
依照 dept 分組 → 得到 3 個 group (A, B, C)

Step 2. Apply → 根據方法不同，有不同處理邏輯
────────────────────────────────────
① agg （壓縮成統計值）
每組 → 1 個或多個統計數
Combine → 回傳 DataFrame/Series（行數 ↓）

輸出：

────────────────────────────────────
② transform （計算後回填）
每組 → 計算值廣播回組內每一列
Combine → 保持原始行數（行數 = 原始）

輸出：

────────────────────────────────────
③ filter （整組保留/剔除）
每組 → True/False → 保留或丟掉整組
Combine → 回傳子集（行數 ↓）

輸出：(假設條件 = 平均 > 90)

────────────────────────────────────
④ apply （萬用牌）
每組 → 丟進自訂函數 → 結果可任意形狀
Combine → 自動拼接
Combine 後行數可多可少

輸出：(每組取前 1 名)