平时聚合都是求和，计数等
    apply如何应用在聚合函数上边？

    1. import pandas as pd
    2. position = pd.read_csv('position.csv')
    3. company = pd.read_csv('company_sql.csv',encoding='gbk')
    5. # 不同城市下面薪资排名前五的职位
    6. # position.groupby('city') 对城市分组之后，每个城市都会对应一个数据框
    7. # position.groupby('city').count() 对城市进行分组后计数
    8. # apply运用在分组之后，会对形式进行一个小变化，又把分开的数据框合并到了一起
    9. def func(x):
    10.     r = x.sort_values('avg',ascending=False)
    11.     return r[:5]
    12. position.groupby('city').apply(func)
    14. # ascending=False降序；反之升序
    15. position.sort_values('avg',ascending=False)[0:5]
    17. # 根据参数返回行数
    18. # 比如：变成升序，返回n行(n可取3,4,5等)
    19. # func(x,n,asc=False)，func里面可设置asc=False为默认参数
    20. def func(x,n,asc=False):
    21.     r = x.sort_values('avg',ascending = asc)
    22.     return r[:n]             
    23. # r[:n]这里原本返回一行的，变成了返回n行
    24. # 但是agg里面只能返回一行，如果将自定义函数func应用到agg里面，则会报错
    26. # apply(func,n=3,asc=True)里面可改变设置的默认参数asc
    27. position.groupby('city').apply(func,n=3,asc=True)

    agg与apply的区别：
    （1）agg对聚合后的结果进行函数运用，不涉及形状变换，最后返回一行结果
    （2）apply不管数据框之前什么样子，拆分 → 自定义函数筛选 → 整合

    1. # apply和agg相比，apply的灵活性更高
    2. # 分组之后求和：position.groupby('city').agg(sum)
    3. # 分组之后求平均：position.groupby('city').agg('mean') = position.groupby('city').mean()
    4. position.groupby('city').mean()
    6. # agg也有一些高级的用法，可以同时运用多个函数
    7. position.groupby('city').agg(['sum','mean'])
    9. # agg使用自定义函数也可以（不涉及形状变换，最后返回一行结果）
    10. position.groupby('city').agg(lambda x:max(x)-min(x))