我不确定自己做了什么,但是我期望这两种方法能从Lahmans Baseball数据集计算出棒球运动员的平均命中率。
import numpy as np
import pandas as pd
batting = pd.read_csv('https://github.com/bhishanpdl/Datasets/blob/master/Lahman_batting.csv?raw=true')
# create new col
batting['ba'] = batting['H'] / batting['AB']
# groupby for each baseball player
print(batting.groupby('playerID')[['ba','AB']]
.sum().head().reset_index())
这给出了:
playerID ba AB
0 aardsda01 0.000000 4
1 aaronha01 6.924731 12364
2 aaronto01 1.544619 944
3 aasedo01 0.000000 5
4 abadan01 0.117647 21
但是,只看第二个玩家,结果是错误的。
# sanity check for aaronha01
a = batting.query(""" playerID == 'aaronha01' """)['H'].sum()
b = batting.query(""" playerID == 'aaronha01' """)['AB'].sum()
a,b,a/b
(3771, 12364, 0.30499838240051763)
如何更正结果?
对于名为aaronha01
的第二个玩家,结果应为0.30499838240051763
,但groupby给出6.924731
。
更新
在R中,我们得到了正确的结果,但是我在Pandas中寻找方法:
library(Lahman)
batting = as_tibble(Lahman::Batting)
batters = batting %>%
group_by(playerID) %>%
summarize(
ba = sum(H, na.rm = TRUE) / sum(AB, na.rm = TRUE),
ab = sum(AB, na.rm = TRUE)
)
head(batters)
playerID ba ab
aardsda01 0.0000000 4
aaronha01 0.3049984 12364
aaronto01 0.2288136 944
aasedo01 0.0000000 5
abadan01 0.0952381 21
abadfe01 0.1111111 9
答案 0 :(得分:2)
您可以对两列进行求和,然后在分组依据之后计算平均值:
gp = batting.groupby('playerID')[['H', 'AB']].sum()
gp['ba'] = gp.H/gp.AB
print(gp)
# H AB ba
#playerID
#aardsda01 0 4 0.000000
#aaronha01 3771 12364 0.304998
#aaronto01 216 944 0.228814
#aasedo01 0 5 0.000000
#abadan01 2 21 0.095238
#abadfe01 1 9 0.111111
#abadijo01 11 49 0.224490
如果您希望它们全部在一起,可以与eval
链接:
batting.groupby('playerID')[['H', 'AB']].sum().eval('ab = H / AB')
为解释您的原始问题,以上是击球平均值,其中每个AB的权重都相同。在您的原始公式中,首先为每一行计算一个'ba'
,然后取平均值,您将为每个观测值(在这种情况下,基本上是每年)赋予同等的权重,而不是蝙蝠上的每个个体。如果您按每行中AB的数量对平均值进行加权,您将获得与上述相同的答案。