问题描述
这是我第一次使用Stack Overflow。我是编码和Pandas的新手,所以请多多包涵。我正在练习使用Python / Pandas而不是Excel来处理数据,并且遇到了以下问题...
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,但是,我可以肯定,这不是完成此任务的好方法。是否有更好的方法来执行列表解析或将函数应用于DataFrame? (非常感谢您推荐其他有关学习这些主题或示例的资源!)
样本数据:
IN: df = pd.DataFrame(data=[[2018,10,100,50],[2018,11,110,30],[2017,12,120,10],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。一种用于按列和年份表示的平均值,一种用于按列和年份表示的标准偏差。
standard_devs = pd.DataFrame(data=[],index=[2018,2017],columns=['c1','c2']) means = pd.DataFrame(data=[],'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()
-
我遍历了原始数据框,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是不好的做法。我知道这种方法可能无法扩展,所以我想知道如何提高编码效率。
谢谢大家!
解决方法
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指标,并返回具有相同df
轴长度的系列:
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
另一种方法是将索引临时设置为groupby键:
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')))
[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