我正在通过复制一些R小插曲的郊游来学习Pandas包.现在我使用R的dplyr包作为例子:
http://cran.rstudio.com/web/packages/dplyr/vignettes/introduction.html
R脚本
planes <- group_by(hflights_df, TailNum)
delay <- summarise(planes,
count = n(),
dist = mean(Distance, na.rm = TRUE))
delay <- filter(delay, count > 20, dist < 2000)
Python脚本
planes = hflights.groupby('TailNum')
planes['Distance'].agg({'count' : 'count',
'dist' : 'mean'})
我怎样才能在python中明确说明NA需要被跳过?
解决方法:
这是一个棘手的问题,因为你不这样做. Pandas会自动从聚合函数中排除NaN数.考虑我的df:
b c d e
a
2 2 6 1 3
2 4 8 NaN 7
2 4 4 6 3
3 5 NaN 2 6
4 NaN NaN 4 1
5 6 2 1 8
7 3 2 4 7
9 6 1 NaN 1
9 NaN NaN 9 3
9 3 4 6 1
内部count()函数将忽略NaN值,因此将意味着().我们获得NaN的唯一一点是,唯一的值是NaN.然后,我们取空集的平均值,结果是NaN:
In[335]: df.groupby('a').mean()
Out[333]:
b c d e
a
2 3.333333 6.0 3.5 4.333333
3 5.000000 NaN 2.0 6.000000
4 NaN NaN 4.0 1.000000
5 6.000000 2.0 1.0 8.000000
7 3.000000 2.0 4.0 7.000000
9 4.500000 2.5 7.5 1.666667
聚合函数以相同的方式工作:
In[340]: df.groupby('a')['b'].agg({'foo': np.mean})
Out[338]:
foo
a
2 3.333333
3 5.000000
4 NaN
5 6.000000
7 3.000000
9 4.500000
附录:注意标准dataframe.mean API如何允许您控制NaN值的包含,其中默认值是排除.