我有一个（493,20）个pandas数据框，并希望为每行计算一个条件np.nanmean（）。条件是该行中的每个值都必须高于某个阈值，而又要低于另一个阈值。这是我当前的设置：
filt_avg_data= np.nanmean(data_tsl.apply(func= lambda x: x[(x < maxval*np.median(x)) & (x > minval*np.median(x))], axis= 1),axis=1)
其中maxval：10，minval：0.1和data_tsl.shape =（493,20）。可以。
但是，我想向量化此操作-我不想使用 df.apply（）函数。我尝试过
data_tsl>np.median(data_tsl,axis=1)
创建一个值的掩码，可以在其上执行np.nanmean（）操作，但是似乎无法获得data_tsl的每一行都对应于其各自的中值。这是弹出的错误：ValueError: operands could not be broadcast together with shapes (493,2) (493,)
我如何能够矢量化此操作？与此类似的几个问题实际上并没有要求矢量化问题-只是使.apply（）操作起作用。
答案 0 :(得分：2)
如果输入数据中有NaNs，我认为您想使用np.nanmedian来忽略中值计算中的NaNs。随之，我们可以对上限和下限阈值使用组合掩码，将无效阈值也设置为NaNs，最后使用np.nanmean-
a = data_tsl.values # use data_tsl.values.copy() to avoid editing input df
med = np.nanmedian(a,axis=1)
U = maxval*med
L = minval*med
a[(a >= U[:,None]) | (a <= L[:,None])] = np.nan
out = np.nanmean(a,axis=1)