Python 3.x 在python中剪裁数据帧

我想在旧数据框的基础上创建一个新的数据框，这样的话，只会有超过列平均值的值。我的问题是，当然每列都有不同的平均值，我不想单独计算，然后用不同的值剪裁每列。我尝试了双循环，因为行数和列数不同，但没有成功。 例如，我有以下数据帧：

a  b  c

4  5  6
1  2  3
7  9  2
3  6  8

我计算每一列的平均值，然后我想创建新的dataframe，其值大于相应列的平均值，因此：

a1  b1  c1

4   9   6
7   6   8

---

我甚至不确定这是否可行，因为新数据帧中的列可能会有不同的维度，但也许我们可以用NaN填充缺少的条目？我不确定正确的解决方案应该是什么。

您可以比较值，然后通过索引添加

NaN

s，或者：

或：

如果要删除

NaN

s，请在第一行添加带有

dropna

的自定义函数：

df = df[df > df.mean()].apply(lambda x: pd.Series(x.dropna().values))
print (df)
     a    b    c
0  4.0  9.0  6.0
1  7.0  6.0  8.0

通常，如果某列中的值小于，则最后获取

NaN

s：

print (df)
   a  b  c
0  4  5  6
1  1  2  3
2  7  9  2
3  3  6  8
4  3  6  8

print (df[df > df.mean()])
     a    b    c
0  4.0  NaN  6.0
1  NaN  NaN  NaN
2  7.0  9.0  NaN
3  NaN  6.0  8.0
4  NaN  6.0  8.0

df = df[df > df.mean()].apply(lambda x: pd.Series(x.dropna().values))
print (df)
     a    b    c
0  4.0  9.0  6.0
1  7.0  6.0  8.0
2  NaN  6.0  8.0

---

能否添加数据样本和预期输出？

df = df[df > df.mean()].apply(lambda x: pd.Series(x.dropna().values))
print (df)
     a    b    c
0  4.0  9.0  6.0
1  7.0  6.0  8.0

print (df)
   a  b  c
0  4  5  6
1  1  2  3
2  7  9  2
3  3  6  8
4  3  6  8

print (df[df > df.mean()])
     a    b    c
0  4.0  NaN  6.0
1  NaN  NaN  NaN
2  7.0  9.0  NaN
3  NaN  6.0  8.0
4  NaN  6.0  8.0

df = df[df > df.mean()].apply(lambda x: pd.Series(x.dropna().values))
print (df)
     a    b    c
0  4.0  9.0  6.0
1  7.0  6.0  8.0
2  NaN  6.0  8.0