在数据处理过程中，我们在使用apply和agg函数的时候，一般都是直接使用自定义函数的名称，即默认带入自定义函数中的只有1个隐式参数（每个分组）。比如下面的例子：

df = pd.read_excel('d:/fqb/2/tmp.xlsx')
g = df.groupby(['name','year'])

def fm(sr):
    return sr.unique()

res = g.agg({'rev':sum, 'bj':fm})
print(res.reset_index())

 name  year  rev                  bj
0   大狗  2020    3  [2020dg1, 2020dg2]
1   大狗  2021    3            [2021dg]
2   大狗  2022    9            [2022dg]
3   李四  2019   21              [lisi]
4   李四  2021   19              [lisi]

我们在agg()中的字典里，对bj列使用自定义函数fm时，直接用的是fm的名称，在定义自定义函数时，即def fm(sr)，我们加入了隐式的参数sr，这里sr是每个分组（pd.Series）。

但是，我们想在自定义函数fm中传递参数，应该如何使用呢？

一、agg中传递参数

方法1：使用lambda

df = pd.read_excel('d:/fqb/2/tmp.xlsx')
g = df.groupby(['name','year'])

def fm(sr,tmp):
    res = sr.unique()
    res = [tmp+s for s in res]
    return '、'.join(res)

res = g.agg({'rev':sum, 'bj':lambda sr:fm(sr,'BJ_')})
print(res.reset_index())

  name  year  rev                     bj
0   大狗  2020    3  BJ_2020dg1、BJ_2020dg2
1   大狗  2021    3              BJ_2021dg
2   大狗  2022    9              BJ_2022dg
3   李四  2019   21                BJ_lisi
4   李四  2021   19                BJ_lisi

注意，agg()中的字典键值对'bj':lambda sr:fm(sr,'BJ_')，直接使用自定义函数是'bj':fm，定义def fm(sr)；而这里使用的'bj': lambda sr: fm(sr,'BJ_')，定义def fm(sr,tmp)。

这里传递了参数'BJ_'，将这个字符串带入到自定义函数fm中，将每个分组中的元素前面加上这个字符串。同理，我们可以传递2个参数 'bj': lambda sr: fm(sr,'BJ_', 4)，定义def fm(sr,tmp, num)。参数'BJ_'是字符串，参数4是数值，定义def fm()中有3个参数。

方法2：使用partial绑定自定义函数和传递的参数

from functools import partial
df = pd.read_excel('d:/fqb/2/tmp.xlsx')
g = df.groupby(['name','year'])

def fm(sr,tmp, num):
    res = sr.unique()
    res = [tmp + str(num) + '_' +s for s in res]
    return '、'.join(res)

new_fm = partial(fm, tmp='BJ_', num = 4)

res = g.agg({'rev':sum, 'bj':new_fm})
print(res.reset_index())

  name  year  rev                         bj
0   大狗  2020    3  BJ_4_2020dg1、BJ_4_2020dg2
1   大狗  2021    3                BJ_4_2021dg
2   大狗  2022    9                BJ_4_2022dg
3   李四  2019   21                  BJ_4_lisi
4   李四  2021   19                  BJ_4_lisi

这里使用partial函数将函数fm和2个传递的参数进行绑定，然后将新函数new_fm，作为agg中的聚合函数来使用。

二、apply中传递参数

df = pd.read_excel('d:/fqb/2/tmp.xlsx')
g = df.groupby(['name','year'])

def fm(dj):
    res = dj.shape[0]
    return res

res = g.apply(fm)
print(res.reset_index())

  name  year  0
0   大狗  2020  2
1   大狗  2021  1
2   大狗  2022  2
3   李四  2019  3
4   李四  2021  2

使用apply得到按name和year分组的每组（DataFrame类型）的行数。结果只保留了2个分组列和fm返回的结果组成的1列。

df = pd.read_excel('d:/fqb/2/tmp.xlsx')

def fm(ve,num):
    return ve + num

res = df['rev'].apply(fm, args=(1.2,))
print(res)

将df的rev列的每个元素都加上1.2。

df = pd.read_excel('d:/fqb/2/tmp.xlsx')

def fm(ve,num, rate):
    return (ve + num)*(1+rate)

res = df['rev'].apply(fm, args=(1,0.1))
print(res)

将df的rev列的每个元素都加上1后再增加10%（0.1）。

df = pd.read_excel('d:/fqb/2/tmp.xlsx')

def fm(row,num, rate):
    res = row['sex'] + '_' + row['bj']
    return res + str(num) + '_' + str(rate)

res = df.apply(fm, args=(1,0.1), axis=1)
print(res)

使用整个df，而不是df的某个列。这里row就是df的一行数据，axis=1是按行读取，row可以直接按列名称提取该行的值。