dataframe 均值计算 -> 与中位数相差 >20% 的值应从均值计算中排除

Question

我想计算数据帧的 y_2010、y_2011、y_2012、y_2013、y_2014 列的行平均值（能量每年使用数据），但是：

与（五个值中的）中位数相差超过 20% 的值应从均值计算中排除。
如果每行中剩下的值少于两个值（在上述条件之后），则将平均值设置为 NaN，因为一个值不足以获得可靠的平均值 -> 因此只能为满足以下条件的行计算平均值在上面的“20% 差异条件”之后包含两个或更多值。（参见 ID(36)：在第一个条件之后仍保留一个值，但这对于可靠均值来说还不够，因此将其设置为 NaN）

计算 5 列的平均值很容易，但我坚持定义条件 'if median*0.8 <= data row <= median*1,2 then mean ==边界内值的平均值并且存在 2 个或更多值。

所以我试图只计算没有 'outliers' 的数据行的平均值。

初始df:

ID  y_2010   y_2011   y_2012  y_2013  y_2014
23   22631  21954.0  22314.0   22032   21843
43   27456  29654.0  28159.0   28654    2000
36   61200      NaN      NaN   31895    1600
87   87621  86542.0  87542.0   88456   86961
90   58951  57486.0   2000.0       0       0
98   24587  25478.0      NaN   24896   25461

期望的 df:

   ID  y_2010   y_2011   y_2012  y_2013  y_2014      mean
0  23   22631  21954.0  22314.0   22032   21843   22154.8
1  43   27456  29654.0  28159.0   28654    2000  28480.75
2  36   61200      NaN      NaN   31895    1600       NaN
3  87   87621  86542.0  87542.0   88456   86961   87424.4
4  90   58951  57486.0   2000.0       0       0       NaN
5  98   24587  25478.0      NaN   24896   25461   25105.5

到目前为止已尝试过的代码（我坚持要获得正确的条件并将它们应用于数据框）：

import pandas as pd
import numpy as np

df = pd.DataFrame({"ID": [23,43,36,87,90,98],
               "y_2010": [22631,27456,61200,87621,58951,24587], 
               "y_2011": [21954,29654,np.nan,86542,57486,25478],  
               "y_2012": [22314,28159,np.nan,87542,2000,np.nan],  
               "y_2013": [22032,28654,31895,88456,0,24896,],
               "y_2014": [21843,2000,1600,86961,0,25461]})
print(df)

a = df.loc[:, ['y_2010','y_2011','y_2012','y_2013', 'y_2014']]

# calculate median
median = a.median(1)
print(median)

# where condition is violated
mask = a.lt(median*.8, axis=0) | a.gt(median*1.2, axis=0)

Answer 1

我觉得你的面具是对的，那么你可以试试这个：

col_mean = a[~mask].mean(axis=1)
nan_mask = ~(mask.sum(axis=1) >= 2)

a["mean"] = col_mean.where(nan_mask, other=np.NaN)
print(a)

输出：

   y_2010   y_2011  y_2012  y_2013  y_2014  mean
0   22631   21954.0 22314.0 22032   21843   22154.80
1   27456   29654.0 28159.0 28654   2000    28480.75
2   61200   NaN     NaN     31895   1600    NaN
3   87621   86542.0 87542.0 88456   86961   87424.40
4   58951   57486.0 2000.0  0       0       NaN
5   24587   25478.0 NaN     24896   25461   25105.50

dataframe 均值计算 -> 与中位数相差 >20% 的值应从均值计算中排除

dataframe mean calculation -> values that differ >20% from the median should be excluded from the mean-computation

python

pandas

mean

median

outliers