Pandas 使用月平均值按行划分的元素可变性

我有一个称为“df”的df，看起来像这样：

     year    month    adjusted_power
333  2018    10       4
334  2018    11       2
335  2018    12       1
336  2019    01       6
337  2019    02       8
338  2019    03       2
339  2019    04       12
340  2019    05       10
341  2019    06       6
342  2019    07       2
343  2019    08       2
344  2019    09       4
345  2019    10       4
346  2019    11       8
347  2019    12       10

而且，我需要将它按元素划分为每月平均数数据帧，称为“dfavgs”

因此，就新df“dfvar”=（df/dfavgs）-1的可变性而言，输出看起来是这样的

我不确定如何继续计算循环结构中的元素可变性，使用lamba变量或类似的东西，但它只给出了前12个可变性数字，列的其余部分是NaN：

dfvar = (df.loc[:,'adjusted_power'].div(dfavgs.loc[:,'adjusted_power_average']) - 1)

谢谢你的帮助

试试看

df['new'] = df.adjust_power/dfavgs.set_index('month')['adjusted_power_average'].reindex(df['month']).values

使用

映射

：

df['var'] = df['adjusted_power']/df['month'].map(dfavgs.set_index('month')['adjusted_power_average'])

输出：

     year  month  adjusted_power       var
333  2018     10               4  0.666667
334  2018     11               2  0.500000
335  2018     12               1  0.250000
336  2019      1               6  3.000000
337  2019      2               8  2.000000
338  2019      3               2  0.333333
339  2019      4              12  1.500000
340  2019      5              10  1.666667
341  2019      6               6  3.000000
342  2019      7               2  0.500000
343  2019      8               2  0.250000
344  2019      9               4  0.500000
345  2019     10               4  0.666667
346  2019     11               8  2.000000
347  2019     12              10  2.500000

---

为什么

var

第333行的

333

是

0

？谢谢，我把帖子改成了正确的答案。嗨，谢谢。你能给我解释一下“.reindex”和“.values”的用途吗？谢谢你，我正在努力学习你的好榜样。

df['var'] = df['adjusted_power']/df['month'].map(dfavgs.set_index('month')['adjusted_power_average'])

     year  month  adjusted_power       var
333  2018     10               4  0.666667
334  2018     11               2  0.500000
335  2018     12               1  0.250000
336  2019      1               6  3.000000
337  2019      2               8  2.000000
338  2019      3               2  0.333333
339  2019      4              12  1.500000
340  2019      5              10  1.666667
341  2019      6               6  3.000000
342  2019      7               2  0.500000
343  2019      8               2  0.250000
344  2019      9               4  0.500000
345  2019     10               4  0.666667
346  2019     11               8  2.000000
347  2019     12              10  2.500000