我想创建一个新列,显示基于多个条件的平均值。大多数情况下,新列应计算 3 列的平均值。但是,如果 A 和 B 或 B 和 C 之间的差异大于 10,则应仅使用差异最小的 2 个值。
例如,如果 A = 2、B = 15 且 C= 13,则平均值列应显示 14。因为 A 和 B 之间的差异大于 10,所以该列应使用 B 和 C,因为它们的差异最小计算出平均值。
我尝试添加额外的列来确定 A 和 B 之间以及 B 和 C 之间的差异。之后,我使用条件语句创建一个列表,该列表附加基于条件的平均值计算,然后将该列表添加为柱子。但是我收到错误“值的长度与索引的长度不匹配”。
这是用于创建我的数据框的代码:
df = pd.DataFrame(np.random.randint(0,20,size=(50, 3)),
columns=list('ABC'))
我尝试寻找解决方案:
df['diff_1'] = df['A'] - df['B']
df['diff_2'] = df['B'] - df['C']
average = []
for i in df['diff_1']:
if i < -5:
average.append(df[['A','B']].mean(axis=1))
if i > 5:
average.append(df[['A','B']].mean(axis=1))
else:
average.append(df[['A','B','C']].mean(axis=1))
df['average'] = average
然后我会重复 diff_2 并删除重复项,但这给了我上述错误: “值的长度与索引的长度不匹配”。所以我想知道是否有更合适的方法。
我期待一列显示所有三列的平均值,除非 A 和 B 或 B 和 C 之间的差异大于 10。如果是这种情况,则应该仅使用 2 个数字来计算平均值最小的差异。
最佳答案
使用numpy.select
按条件选择值:
np.random.seed(123)
df = pd.DataFrame(np.random.randint(0,20,size=(50, 3)),
columns=list('ABC'))
df['diff_ab'] = (df['A'] - df['B']).abs()
df['diff_bc'] = (df['B'] - df['C']).abs()
mindiff = df[['diff_ab','diff_bc']].min(axis=1)
ab = df[['A','B']].mean(axis=1)
bc = df[['B','C']].mean(axis=1)
abc = df[['A','B','C']].mean(axis=1)
N = 10
df['average1'] = np.select([(df['diff_ab'] > N) & mindiff.eq(df['diff_bc']),
(df['diff_bc'] > N) & mindiff.eq(df['diff_ab'])],
[bc, ab],
default=abc)
如果需要每行任何值的最小差异平均值(如果任何差异小于 10),则解决方案:
#https://stackoverflow.com/a/54861589
x = df[['A','B','C']].values
x.sort()
mask = np.any(np.diff(x) > 10, axis=1)
a = ((x[:, 1:] + x[:, :-1])/2)[np.arange(len(x)), np.diff(x).argmin(axis=1)]
df["average2"] = np.where(mask, a, x.mean(axis=1))
print (df.head(10))
A B C diff_ab diff_bc average1 average2
0 13 2 2 11 0 2.000000 2.000000
1 6 17 19 11 2 18.000000 18.000000
2 10 1 0 9 1 3.666667 3.666667
3 17 15 9 2 6 13.666667 13.666667
4 0 14 0 14 14 7.000000 0.000000
5 15 19 14 4 5 16.000000 16.000000
6 4 0 16 4 16 2.000000 2.000000
7 4 17 3 13 14 10.500000 3.500000
8 2 7 2 5 5 3.666667 3.666667
9 15 16 7 1 9 12.666667 12.666667
检查用于验证/调试计数的所有列的解决方案:
np.random.seed(123)
df = pd.DataFrame(np.random.randint(0,20,size=(50, 3)),
columns=list('ABC'))
df['diff_ab'] = df['A'] - df['B']
df['diff_bc'] = df['B'] - df['C']
#if need difference in absolute values
#df['diff_ab'] = (df['A'] - df['B']).abs()
#df['diff_bc'] = (df['B'] - df['C']).abs()
df['mindiff'] = df[['diff_ab','diff_bc']].min(axis=1)
df['ab'] = df[['A','B']].mean(axis=1)
df['bc'] = df[['B','C']].mean(axis=1)
df['abc'] = df[['A','B','C']].mean(axis=1)
N = 10
df['average'] = np.select([(df['diff_ab'] > N) & df['mindiff'].eq(df['diff_bc']),
(df['diff_bc'] > N) & df['mindiff'].eq(df['diff_ab'])],
[df['bc'], df['ab']], default=df['abc'])
关于python - 如何根据pandas中的多个条件计算出一组列的平均值?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56336252/