Как я могу вычислить среднее значение, отбрасывая NaN и выбросы из кадра данных в этом формате?

Question

У меня есть датафрейм в формате ниже:

Original Dataframe

    |  x  |  value1  |  value2  |  value3  |  value4
 ---|-----|----------|----------|----------|-----------
  0 |  1  |    1     |   NaN    |    3     |   1
  1 |  2  |    4     |   NaN    |    1     |   NaN
  2 |  3  |    2     |    6     |    1     |   2
  3 |  4  |    1     |    1     |    2     |   1

Моя цель - найти среднее значение для каждой строки, отбрасывая NaN, а также устраняя выбросы. Цель состоит в том, чтобы получить новый фрейм данных в следующем формате:

Desired Dataframe

    |  x  |  mean (after dropping the NaN and the outliers)*
 ---|-----|--------
  0 |  1  |   a
  1 |  2  |   b   
  2 |  3  |   c   
  3 |  4  |   d   

* Обратите внимание, что a, b, c, d - это средние значения (я не рассчитывал результат)

Конечная цель после достижения результата - напечатать график значений во времени.

Работая с одним списком значений, например, эквивалентным одному столбцу значений и одному столбцу индексов, я могу выполнять все операции: отбрасывать NaN, вычислять Z-счет и затем возвращать список значений, как показано ниже:

import pandas as pd   
import numpy as np
from scipy import stats

data = {'value': [1, 2, 15, np.NaN, 2, 2, 2, 3, 1, 1], 
        'x': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]}
df = pd.DataFrame(data)

df.dropna(inplace=True)
df = df[(np.abs(stats.zscore(df['return'])) < 2)]

Есть несколько проблем, которые возникают, когда я пытаюсь работать в натуральном выражении (и я уверен, что они возникают, потому что я привык программировать, используя циклы, и должен быть «умный» способ сделать эту операцию в Pandas. )

Я не могу рассчитать Z балл, когда есть значение NaN. Я получил эту ошибку:

/home/jupyterlab/conda/lib/python3.6/site-packages/ipykernel_launcher.py:14: RuntimeWarning: invalid value encountered in less

Итак, я знаю, что мне нужно устранить NaN. Но я не могу сделать это в этом формате данных, поскольку это приведет к исключению строки или столбца, что приведет к потере информации.

Другой подход, который я попытался безуспешно, состоял в том, чтобы преобразовать эту таблицу в длинную форму, что означало бы:

    |  x  |  valueName  |  actualValue
 ---|-----|-------------|--------------
  0 |  1  |  value1     |      1       
  1 |  1  |  value2     |     NaN    
 ...  ...      ...            ...
  2 |  2  |  value2     |      4  
  3 |  2  |  value2     |     NaN

Это заставило меня бросить Нан, но использовать Z-счет было более проблематично. Я уверен, что это общая проблема, но я не могу понять, как ее решить.

Answer 1

Вы можете использовать:

from scipy import stats

#reshape to MultiIndex Series for remove NaNs
s = df.set_index('x').stack()
print (s)
x        
1  value1    1.0
   value3    3.0
   value4    1.0
2  value1    4.0
   value3    1.0
3  value1    2.0
   value2    6.0
   value3    1.0
   value4    2.0
4  value1    1.0
   value2    1.0
   value3    2.0
   value4    1.0
dtype: float64

---

#count zsore by first level of group - by x
s1 = s.groupby(level=0).transform(lambda x: np.abs(stats.zscore(x)))
print (s1)
x        
1  value1    0.707107
   value3    1.414214
   value4    0.707107
2  value1    1.000000
   value3    1.000000
3  value1    0.390567
   value2    1.692456
   value3    0.911322
   value4    0.390567
4  value1    0.577350
   value2    0.577350
   value3    1.732051
   value4    0.577350

---

#filter by condition and get mean by first level x, convert to DataFrame
s2 = s[s1 < 2].mean(level=0).reset_index(name='mean')
print (s2)
   x      mean
0  1  1.666667
1  2  2.500000
2  3  2.750000
3  4  1.250000