apply将函数应用于每个组（您的Species）。您的函数返回1，因此您最终为3个组中的每个组提供1个值。
agg聚合每个组的 * 每个列（特征）*，因此最终每个组的每列都有一个值。
一定要阅读groupby文档，它们很有帮助。网上也有很多教程。

（注意：这些比较与DataframeGroupby对象相关）
对于DataFrame GroupBy对象，使用.agg()与.apply()相比的一些看似合理的**优点是：

1. .agg()提供了同时应用多个函数的灵活性，或者将函数列表传递给每一列。
   1.此外，同时将不同的函数应用于不同的列。
   这意味着您可以通过每个操作对每个列进行很大的控制。
   以下是更多细节的链接：http://pandas.pydata.org/pandas-docs/version/0.13.1/groupby.html
   但是，apply函数可能被限制为一次只能将一个函数应用于嵌套框的每一列。因此，您可能必须重复调用apply函数来对同一列调用不同的操作。

以下是.apply()与.agg()针对DataframeGroupBy对象的一些示例比较：

考虑到以下结构：

In [261]: df = pd.DataFrame({"name":["Foo", "Baar", "Foo", "Baar"], "score_1":[5,10,15,10], "score_2" :[10,15,10,25], "score_3" : [10,20,30,40]})

In [262]: df
Out[262]: 
   name  score_1  score_2  score_3
0   Foo        5       10       10
1  Baar       10       15       20
2   Foo       15       10       30
3  Baar       10       25       40

字符串

先来看看.apply()的操作：

In [263]: df.groupby(["name", "score_1"])["score_2"].apply(lambda x : x.sum())
Out[263]: 
name  score_1
Baar  10         40
Foo   5          10
      15         10
Name: score_2, dtype: int64

In [264]: df.groupby(["name", "score_1"])["score_2"].apply(lambda x : x.min())
Out[264]: 
name  score_1
Baar  10         15
Foo   5          10
      15         10
Name: score_2, dtype: int64

In [265]: df.groupby(["name", "score_1"])["score_2"].apply(lambda x : x.mean())
Out[265]: 
name  score_1
Baar  10         20.0
Foo   5          10.0
      15         10.0
Name: score_2, dtype: float64

型
现在，看看使用.agg（）轻松进行的相同操作：

In [276]: df.groupby(["name", "score_1"]).agg({"score_3" :[np.sum, np.min, np.mean, np.max], "score_2":lambda x : x.mean()})
Out[276]: 
              score_2 score_3               
             <lambda>     sum amin mean amax
name score_1                                
Baar 10            20      60   20   30   40
Foo  5             10      10   10   10   10
     15            10      30   30   30   30

型
因此，与.apply()相比，.agg()在处理DataFrameGroupBy对象时可能非常方便。**但是，如果您只处理纯对象而不是DataFrameGroupBy对象，那么apply()可能非常有用，因为apply()可以沿对象的任何轴应用函数。

（例如：axis = 0意味着.apply(),的列操作，这是默认模式，axis = 1意味着在处理纯嵌套式对象时进行行操作。

apply和aggregate的主要区别是：

apply()- 
    cannot be applied to multiple groups together 
    For apply() - We have to get_group()
    ERROR : -iris.groupby('Species').apply({'Sepal.Length':['min','max'],'Sepal.Width':['mean','min']})# It will throw error
    Work Fine:-iris.groupby('Species').get_group('Setosa').apply({'Sepal.Length':['min','max'],'Sepal.Width':['mean','min']})# It will throw error
        #because functions are applied to one data frame

agg()- 
    can be applied to multiple groups together
    For apply() - We do not have to get_group() 
    iris.groupby('Species').agg({'Sepal.Length':['min','max'],'Sepal.Width':['mean','min']})
    iris.groupby('Species').get_group('versicolor').agg({'Sepal.Length':['min','max'],'Sepal.Width':['mean','min']})

字符串

请参考here。让我在此引用相同的语句
对分组数据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。对于这些操作，请使用apply函数，该函数在许多标准用例中可以替代聚合和转换。但是，apply可以处理某些例外用例，例如：
pandas文档中提供了更多细节和示例（上面提供了链接）
请参考@ted Petrou和@Eric O Lebigot的这篇伟大的文章。我们可以重新应用他们用来调查Apply和transform之间差异的逻辑，以Apply和Agg
然后，要了解Axis的工作原理，请参阅this link
这三个链接应该有助于更好地了解它们的不同之处。

当使用apply to a groupby时，我遇到.apply将返回分组列。文档中有一个注解（pandas.pydata.org/pandas-docs/stable/groupby.html）：
“...因此，分组列可以包含在输出中，也可以设置索引。”
.aggregate不会返回分组列。

除了所有其他提到的，另一个区别，我认为还没有人强调的是，apply可以用来将一个函数应用到一组列在一起。Agg只单独将一个函数应用到一个列。一个例子是：
让我们使用与其他示例相同的示例：
d = pd.DataFrame（{“name”：[“Foo”，“巴尔”，“Foo”，“巴尔”]，“score_1”：[5，10，15，10]，“score_2”：[10，15，10，25]，“score_3”：[10，20，30，40]}）
在这里，apply使用一个函数，将一个组中所有列的值加在一起。
d.groupby（[“name”，“score_1”]）.apply（lambda x：x.values.sum（））