agg有两种版本（aggregate的缩写）和适用：第一个版本在groupby对象上定义，第二个版本在DataFrames上定义。

如果您考虑groupby.agg
和groupby.apply，则主要区别在于申请是灵活的（docs）：

对分组数据进行的某些操作可能不适合聚合或转换类别。或者，您可能只是希望GroupBy推断如何合并结果。对于这些，请使用apply函数，在许多标准用例中，apply函数可用于聚合和转换。

注意：apply可以充当reducer，transformer或filter函数，具体取决于传递给apply的内容。因此，取决于采用的路径以及您要分组的对象。因此，分组的列可以被包括在输出中并且设置索引。

例如，有关如何自动更改返回类型的说明，请参见Python
Pandas：如何将列中的分组列表作为dict返回。

groupby.agg，在另一方面，是用于将用Cython优化的函数（即，能够计算非常好'sum'，'mean'，'std'等非常快）。它还允许在不同的列上计算多个（不同）函数。例如，

df.groupby('some_column').agg({'first_column': ['mean', 'std'],
                               'second_column': ['sum', 'sem']}

在第一列上计算平均值和标准偏差，在第二列上计算平均值的和和标准误。有关更多示例，请参见dplyr总结熊猫等效项。

这些差异也总结了什么是熊猫AGG和应用功能之间的区别？但是，一个专注于之间的差异groupby.agg和groupby.apply。

DataFrame.agg是0.20版的新功能。之前，我们无法将多个不同的功能应用于不同的列，因为只有groupby对象才可以使用。现在，您可以通过在DataFrame的列上计算多个不同的函数来汇总它。来自的示例是否有dplyr:: summarise的等效熊猫？：

iris.agg({'sepal_width': 'min', 'petal_width': 'max'})

petal_width    2.5
sepal_width    2.0
dtype: float64

iris.agg({'sepal_width': ['min', 'median'], 'sepal_length': ['min', 'mean']})

        sepal_length  sepal_width
mean        5.843333          NaN
median           NaN          3.0
min         4.300000          2.0

无法使用DataFrame.apply。它可以逐列或逐行执行，并在该列/行上执行相同的功能。对于类似的单个函数，lambda x: x**2它们产生相同的结果，但其预期用途却大不相同。