这是我第一次使用堆栈溢出。我对编码和Pandas还很陌生,所以请耐心等待。我正在练习使用Python/Pandas而不是Excel操作数据,我遇到了以下问题。。。
我正在尝试按年份对特定列的值进行标准化。我的数据集很小,所以我采用的方法(如下所示(效果很好,但我相当确定这不是完成这项任务的好方法。有没有更好的方法可以通过列表理解或将函数应用于DataFrame来实现这一点?(附言:如果您能推荐任何其他资源来学习这些主题或举例,我们将不胜感激!(
样本数据:
IN: df = pd.DataFrame(data=[[2018,10,100,50], [2018,11,110,30], [2017,12,120,10], [2017, 15, 115, 40]], columns=['Year','c1','c2','c3'])
OUT:
Year c1 c2 c3
0 2018 10 100 50
1 2018 11 110 30
2 2017 12 120 10
3 2017 15 115 40
样本输出:
Year c1 c2 c3 c1_std c2_std
0 2018 10 100 50 -0.707107 -0.707107
1 2018 11 110 30 0.707107 0.707107
2 2017 12 120 10 0.707107 0.707107
3 2017 15 115 40 -0.707107 -0.707107
请注意,标准化输出仅适用于3列中的2列
我的方法:
首先我创建了两个表。一个用于按列和年份表示的平均值,另一个用于按照列和年份计算的标准偏差。
standard_devs = pd.DataFrame(data=[],index=[2018,2017], columns=['c1', 'c2']) means = pd.DataFrame(data=[],index=[2018,2017], columns=['c1', 'c2']) for y in [2018,2017]: for col in ['c1', 'c2']: standard_devs.loc[y,col] = df[df['Year']==y][col].std() means.loc[y,col] = df[df['Year']==y][col].mean()
我迭代了我的原始数据框架,并根据适当的年份和列计算了标准化值。
for i in list(df.index): for col in ['c1', 'c2']: year = df.loc[i,'Year'] df.loc[i,col+'_std'] = (df.loc[i,col]-means.loc[year, col])/standard_devs.loc[year, col]
我之前读过,遍历pandas DataFrame是一种糟糕的做法。我知道这种方法可能无法扩展,所以我想知道如何才能更有效地进行编码。
谢谢大家!
您可以在此处使用groupby.transform
来计算std
和mean
。这将按组计算适当的度量,并返回具有相同轴长度df
:的系列
for c in ['c1', 'c2']:
stds = df.groupby('Year')[c].transform('std')
means = df.groupby('Year')[c].transform('mean')
df[f'{c}_std'] = (df[c] - means) / stds
另一种方法是通过密钥将索引临时设置为您的组:
means = df.groupby('Year')[['c1', 'c2']].mean()
stds = df.groupby('Year')[['c1', 'c2']].std()
(df.join((((df.set_index('Year') - means) / stds))
.reset_index(drop=True)
.add_suffix('_std')))
[out]
Year c1 c2 c3 c1_std c2_std
0 2018 10 100 50 -0.707107 -0.707107
1 2018 11 110 30 0.707107 0.707107
2 2017 12 120 10 -0.707107 0.707107
3 2017 15 115 40 0.707107 -0.707107