Question

我有一个数据集，我想从中创建一些我创建的多个变量的平均值。

我开始时：

data2['socialIdeology2'].mean()

data2['econIdeology'].mean()

^完美无缺，给了我正在寻找的平均值。

现在，我正在尝试进行条件均值，因此仅对数据集中的选择组进行均值。（我想要在2016年选举中投票选出的意识形态细分）在Stata中，代码类似于：mean(variable) if voteChoice == 'Clinton'

调查一下，我得出的结论是条件均值不是一个东西（虽然希望我错了？），所以我正在编写自己的函数。

这是我刚开始使用'均值'函数，为条件均值函数创建基础：

def mean():
    sum = 0.0
    count = 0
    for index in range(0, len(data2['socialIdeology2'])):
        sum = sum + (data2['socialIdeology2'][index])
        print(data2['socialIdeology2'][index])
        count = count + 1
    return sum / count

print(mean())

然而，我不断得到'nan'作为结果。在循环中打印data2['socialIdeology2'][index]一遍又一遍地打印nan。

所以我的问题是：如果socialIdeology2变量中存储的数据确实是nan（我不明白它是怎么回事），那为什么{{1}函数可以用吗？

我怎样才能按类别获得生成方式？

Answer 1

有条件的意思确实是熊猫的事情。您可以使用DataFrame.groupby()：

means = data2.groupby('voteChoice').mean()

或者，在您的情况下，以下内容会更有效：

means = data2.groupby('voteChoice')['socialIdeology2'].mean()

深入了解您正在寻找的意思。（第一种情况将计算所有列的均值。）这假设voteChoice是您要条件的列的名称。

Answer 2

如果您只对单组（例如克林顿选民）的意思感兴趣，那么您可以为该组的成员创建一个True的布尔系列，然后使用它来在取平均值之前索引到DataFrame的行：

voted_for_clinton = data2['voteChoice'] == 'Clinton'
mean_for_clinton_voters = data2.loc[voted_for_clinton, 'socialIdeology2'].mean()

如果您想同时获得多个群组的资助，那么您可以使用groupby，就像布拉德的回答一样。但是，我会这样做：

means_by_vote_choice = data2.groupby('voteChoice')['socialIdeology2'].mean()

在['socialIdeology2']之前放置.mean()索引意味着您只计算您感兴趣的列的平均值，而如果您将索引表达式放在.mean()之后（即data2.groupby('voteChoice').mean()['socialIdeology2']）这会计算所有列的均值，然后仅从结果中选择'socialIdeology2'列，效率较低。

有关使用.loc和here索引DataFrames的更多信息，请参阅here，了解有关groupby的更多信息。

Pandas DataFrame的条件均值

2 个答案: