python - 如何根据pandas中的多个条件计算出一组列的平均值？

Question

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。

Answer 1

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'])