源代码
import pandas as pd
df = pd.read_csv("Titanic.csv")
# 对Sex分组，用各组乘客的平均年龄填充各组中的缺失年龄
df_cleaned['Age'] = df_cleaned.groupby('Sex')['Age'].apply(lambda x: x.fillna(x.mean()))
报错信息
incompatible index of inserted column with frame index
问题原因
在Pandas DataFrame中设置一个新列时，新列的索引与DataFrame的索引不匹配导致的
解决办法
df_cleaned['Age'] = df_cleaned.groupby('Sex')['Age'].apply(lambda x: x.fillna(x.mean()))
拓展：
apply方法
apply方法用于将一个函数应用到DataFrame或Series的每一行或每一列上。它非常灵活，几乎可以执行任何自定义操作。
用法示例：
- 对DataFrame的每一列应用一个函数：
df.apply(lambda x: some_function(x))
- 对DataFrame的每一行应用一个函数：
df.apply(lambda x: some_function(x), axis=1)
特点：
apply可以返回标量值、Series或DataFrame，这取决于传入的函数。apply不保证返回的对象与原始对象具有相同的索引结构。apply的灵活性使其成为执行复杂自定义操作的常用方法。
transform方法
transform方法用于对DataFrame或Series中的每个元素应用一个函数，但它有一些限制，即返回的对象必须与原始对象具有相同的形状。
用法示例：
- 对DataFrame的每一列应用一个函数，并保持索引不变：
df.transform(lambda x: some_function(x))
特点：
transform返回的对象必须与原始对象具有相同的形状。例如，如果对DataFrame的列应用transform，则返回的必须是具有相同索引和列数的DataFrame。transform通常用于执行能够广播到整个列或行的操作，如标准化、归一化或任何保持原始索引结构的数学变换。transform比apply更高效，因为它设计用于保持索引结构，不需要进行额外的索引对齐操作。
比较apply和transform
以下是一些比较apply和transform的关键点：
- 索引保持：
transform保证返回相同形状的对象，而apply可能不保证。 - 灵活性：
apply更加灵活，可以执行更复杂的操作，而transform则限制在能够广播的操作上。 - 性能：当处理大型数据集时，
transform通常比apply更高效，因为它不需要处理索引对齐问题。
选择哪个方法？
- 如果你需要对DataFrame或Series进行复杂的自定义操作，并且返回的对象可能与原始对象形状不同，那么应该使用
apply。 - 如果你需要进行简单的数学运算或数据转换，并且需要保证返回的对象与原始对象形状相同，那么应该使用
transform。
在实际使用中，选择哪个方法取决于你的具体需求和场景。