我的数据框如下：
player_id season_id game_id points mean_to_date
200 21999 29900007 10 0
200 21999 29900023 20 0
200 21200 29900042 10 0
200 21200 29900059 20 0
200 21200 29900081 30 0
300 21999 29900089 10 0
300 22111 29900108 10 0
300 22111 29900118 20 0
300 22111 29900143 30 0
我将它分成以下组：
grouped = frame.groupby(['player_id', 'season_id'])
我要将以下功能应用于每个组：
def previous_mean(player_season):
avgs = {}
i = 0
for idx, game in player_season.iterrows():
gamenum = i + 1
if gamenum == 1:
avgs[1] = 0
elif gamenum == 2:
avgs[2] = player_season.at[idx-1, 'dk_points']
elif gamenum > 2:
logging.debug("gamenum is {0}".format(gamenum))
pts = player_season.at[idx-1, 'points']
avgs[gamenum] = (avgs.get(i)*(i-1) + pts)/i
i+= 1
return avgs.values()
调用
grouped.apply(previous_mean)
导致以下结果：
player_id season_id
200 21200 [0, 10, 15.0]
21999 [0, 10]
300 21999 [0]
22111 [0, 10, 15.0]
如何将apply操作的结果设为“mean_to_date”列的值？也就是说，玩家200的mean_to_date，赛季21999将是0和10，然后对于玩家200，赛季21200将是0,10和15，依此类推。请注意，mean_to_date值表示游戏之前的平均值，因此在第一个游戏之前它是零，在第二个游戏之前它是第一个游戏的总数。
此外，“previous_mean”功能很丑陋，可能有更有效的方法来完成同样的目的，但我无法理解它，因为我不熟悉使用pandas。谢谢你的任何建议！