熊猫：使用数据框和一系列数据按行计算加权平均值

Question

我试图进行加权平均，但遇到一个疑问：

问题

我想创建一个名为answer的新列，该列计算每行与加权值列表之间的结果，在这种情况下，加权值列表命名为month。如果使用df.mean()，我将按月获得一个简单的平均值，而这不是我想要的。这样做的想法是在年底开始时将更多的重要性放在首位，而在需求开始时则减少需求。这就是为什么我要使用加权平均计算。

在 excel 中，我将使用下面的公式。我在将此计算转换为熊猫数据框时遇到麻烦。

=SUMPRODUCT( demands[@[1]:[12]] ; month )/SUM(month)

我找不到解决此问题的方法，我非常感谢您对此问题的帮助。

谢谢。

以下是一个虚拟数据框，作为示例：

示例代码

demand = pd.DataFrame({'1': [360, 40, 100, 20, 55],
                       '2': [500, 180, 450, 60, 50],
                       '3': [64, 30, 60, 10, 0],
                       '4': [50, 40, 30, 60, 50],
                       '5': [40, 24, 45, 34, 60],
                       '6': [30, 34, 65, 80, 78],
                       '7': [56, 45, 34, 90, 58],
                       '8': [32, 12, 45, 55, 66],
                       '9': [32, 56, 89, 67, 56],
                       '10': [57, 35, 75, 48, 9],
                       '11': [56, 33, 11, 6, 78],
                       '12': [23, 65, 34, 8, 67]
                      })

months = [i for i in range(1,13)]

问题的可视化

Answer 1

只需使用numpy.average，并指定weights：

demand["result"]=np.average(demand, weights=months, axis=1)

https://docs.scipy.org/doc/numpy-1.15.1/reference/generated/numpy.average.html

输出：

     1    2   3   4   5   6  ...   8   9  10  11  12     result
0  360  500  64  50  40  30  ...  32  32  57  56  23  58.076923
1   40  180  30  40  24  34  ...  12  56  35  33  65  43.358974
2  100  450  60  30  45  65  ...  45  89  75  11  34  58.884615
3   20   60  10  60  34  80  ...  55  67  48   6   8  43.269231
4   55   50   0  50  60  78  ...  66  56   9  78  67  55.294872

Answer 2

这可以通过以下操作完成：

demand['result'] = (demand * months).sum(axis=1)/sum(months)

Answer 3

您可以尝试以下代码：

den = np.sum(a)
demand['average']=demand['1'].mul(1/den).add(demand['2'].mul(2/den)).add(demand['3'].mul(3/den)).add(demand['4'].mul(4/den)).add(demand['5'].mul(5/den)).add(demand['6'].mul(6/den)).add(demand['7'].mul(7/den)).add(demand['8'].mul(8/den)).add(demand['9'].mul(9/den)).add(demand['10'].mul(10/den)).add(demand['11'].mul(11/den)).add(demand['12'].mul(12/den))

输出：

    1   2   3   4   5   6   7   8   9   10  11  12  average
0   360 500 64  50  40  30  56  32  32  57  56  23  58.076923
1   40  180 30  40  24  34  45  12  56  35  33  65  43.358974
2   100 450 60  30  45  65  34  45  89  75  11  34  58.884615
3   20  60  10  60  34  80  90  55  67  48  6   8   43.269231
4   55  50  0   50  60  78  58  66  56  9   78  67  55.294872