Python 数据帧行比例

我有一个包含多个列和行的数据框架

对于所有列，我需要说行值等于此行的0.5+行的0.5 befores值

我目前设置了一个正在运行的循环。但是我觉得有一个更好的方法不用循环。有人有什么想法吗

数据帧=df_输入

df_output=df_input.copy()
for i in range(1, df_input.shape[0]):
    try:
        df_output.iloc[[i]]= (df_input.iloc[[i-1]]*(1/2)).values+(df_input.iloc[[i]]*(1/2)).values
    except:
        pass

---

你的意思是这样的吗

首先创建测试数据：

np.random.seed(42)

df = pd.DataFrame(np.random.randint(0, 20, [5, 3]), columns=['A', 'B', 'C'])

    A   B   C
0   6  19  14
1  10   7   6
2  18  10  10
3   3   7   2
4   1  11   5

您请求的功能：

(df*.5).rolling(2).sum()

      A     B     C
0   NaN   NaN   NaN
1   8.0  13.0  10.0
2  14.0   8.5   8.0
3  10.5   8.5   6.0
4   2.0   9.0   3.5

def weighted_mean(arr):
    return sum(arr*[.25, .75])

df.rolling(2).apply(weighted_mean, raw=True)

       A      B     C
0    NaN    NaN   NaN
1   9.00  10.00  8.00
2  16.00   9.25  9.00
3   6.75   7.75  4.00
4   1.50  10.00  4.25

编辑： 对于不平衡和，可以定义一个辅助函数：

(df*.5).rolling(2).sum()

      A     B     C
0   NaN   NaN   NaN
1   8.0  13.0  10.0
2  14.0   8.5   8.0
3  10.5   8.5   6.0
4   2.0   9.0   3.5

def weighted_mean(arr):
    return sum(arr*[.25, .75])

df.rolling(2).apply(weighted_mean, raw=True)

       A      B     C
0    NaN    NaN   NaN
1   9.00  10.00  8.00
2  16.00   9.25  9.00
3   6.75   7.75  4.00
4   1.50  10.00  4.25

EDIT2: …如果应在运行时设置权重：

def weighted_mean(arr, weights=[.5, .5]):
    return sum(arr*weights/sum(weights))

没有其他参数默认为平衡平均值：

df.rolling(2).apply(weighted_mean, raw=True)

      A     B     C
0   NaN   NaN   NaN
1   8.0  13.0  10.0
2  14.0   8.5   8.0
3  10.5   8.5   6.0
4   2.0   9.0   3.5

不平衡的平均数：

df.rolling(2).apply(weighted_mean, raw=True, args=[[.25, .75]])

       A      B     C
0    NaN    NaN   NaN
1   9.00  10.00  8.00
2  16.00   9.25  9.00
3   6.75   7.75  4.00
4   1.50  10.00  4.25

除以总和（权重）可以定义权重，不仅限于一的分数，还可以定义任何比率：

df.rolling(2).apply(weighted_mean, raw=True, args=[[1, 3]])

       A      B     C
0    NaN    NaN   NaN
1   9.00  10.00  8.00
2  16.00   9.25  9.00
3   6.75   7.75  4.00
4   1.50  10.00  4.25

---

你的意思是这样的吗

首先创建测试数据：

np.random.seed(42)

df = pd.DataFrame(np.random.randint(0, 20, [5, 3]), columns=['A', 'B', 'C'])

    A   B   C
0   6  19  14
1  10   7   6
2  18  10  10
3   3   7   2
4   1  11   5

您请求的功能：

(df*.5).rolling(2).sum()

      A     B     C
0   NaN   NaN   NaN
1   8.0  13.0  10.0
2  14.0   8.5   8.0
3  10.5   8.5   6.0
4   2.0   9.0   3.5

def weighted_mean(arr):
    return sum(arr*[.25, .75])

df.rolling(2).apply(weighted_mean, raw=True)

       A      B     C
0    NaN    NaN   NaN
1   9.00  10.00  8.00
2  16.00   9.25  9.00
3   6.75   7.75  4.00
4   1.50  10.00  4.25

编辑： 对于不平衡和，可以定义一个辅助函数：

(df*.5).rolling(2).sum()

      A     B     C
0   NaN   NaN   NaN
1   8.0  13.0  10.0
2  14.0   8.5   8.0
3  10.5   8.5   6.0
4   2.0   9.0   3.5

def weighted_mean(arr):
    return sum(arr*[.25, .75])

df.rolling(2).apply(weighted_mean, raw=True)

       A      B     C
0    NaN    NaN   NaN
1   9.00  10.00  8.00
2  16.00   9.25  9.00
3   6.75   7.75  4.00
4   1.50  10.00  4.25

EDIT2: …如果应在运行时设置权重：

def weighted_mean(arr, weights=[.5, .5]):
    return sum(arr*weights/sum(weights))

没有其他参数默认为平衡平均值：

df.rolling(2).apply(weighted_mean, raw=True)

      A     B     C
0   NaN   NaN   NaN
1   8.0  13.0  10.0
2  14.0   8.5   8.0
3  10.5   8.5   6.0
4   2.0   9.0   3.5

不平衡的平均数：

df.rolling(2).apply(weighted_mean, raw=True, args=[[.25, .75]])

       A      B     C
0    NaN    NaN   NaN
1   9.00  10.00  8.00
2  16.00   9.25  9.00
3   6.75   7.75  4.00
4   1.50  10.00  4.25

除以总和（权重）可以定义权重，不仅限于一的分数，还可以定义任何比率：

df.rolling(2).apply(weighted_mean, raw=True, args=[[1, 3]])

       A      B     C
0    NaN    NaN   NaN
1   9.00  10.00  8.00
2  16.00   9.25  9.00
3   6.75   7.75  4.00
4   1.50  10.00  4.25

这将对所有列执行相同的操作

说明：对于每个滚动对象，lambda选择列，

x

的结构类似于所有列的

[this\u col[i]，this\u col[i+1]]

，然后执行自定义算术是很简单的

这将对所有列执行相同的操作

说明：对于每个滚动对象，lambda选择列，

x

的结构类似于所有列的

[this\u col[i]，this\u col[i+1]]

，然后执行自定义算法非常简单。

将熊猫作为pd导入
将numpy作为np导入
df=pd.DataFrame（np.random.randint（低=0，高=10，大小=（5，1）），列=['a']）
df[“cumsum_a”]=0.5*df[“a”].cumsum（）+0.5*df[“a”]

将熊猫作为pd导入
将numpy作为np导入
df=pd.DataFrame（np.random.randint（低=0，高=10，大小=（5，1）），列=['a']）
df[“cumsum_a”]=0.5*df[“a”].cumsum（）+0.5*df[“a”]

使用pandas.DataFrame.shift创建一列，然后使用

0.5*cur_val+0.5*lag_val

创建最后一列。不需要循环，应该非常快，然后您只需删除不需要的列。您的问题中没有示例数据，因此我不提供示例解决方案。非常感谢。你认为这对多列有效吗？是的，不确定如何制作一个示例数据帧。只知道如何在CSVS中加载你是什么意思？您是否需要像

0.5*cur\u val+0.5 lag\u val\u 1+0.5*lag\u val\u 2+…+这样的复杂计算0.5*滞后值

？啊，明白了。隐马尔可夫模型。。。向量化函数可以执行元素计算，可以应用于循环中的每一列，这可能会更好。因此，基本上，您希望编写一个函数，它接收整列数据，然后稍微偏移它，这样您就有了

x1=col1[1://code>和
x2=col1[：-1]
，然后执行
0.5*x1+0.5*x2
，这将按元素操作。然后，您可以在每个列上循环并将其输入此函数以返回结果。使用
pandas.DataFrame.shift
创建列，然后使用
0.5*cur\u val+0.5*lag\u val
创建最后一列。不需要循环，应该非常快，然后您只需删除不需要的列。您的问题中没有示例数据，因此我不提供示例解决方案。非常感谢。你认为这对多列有效吗？是的，不确定如何制作一个示例数据帧。只知道如何在CSVS中加载你是什么意思？您是否需要像
0.5*cur\u val+0.5 lag\u val\u 1+0.5*lag\u val\u 2+…+这样的复杂计算0.5*滞后值
？啊，明白了。隐马尔可夫模型。。。向量化函数可以执行元素计算，可以应用于循环中的每一列，这可能会更好。因此，基本上，您希望编写一个函数，它接收整列数据，然后稍微偏移它，这样您就有了
x1=col1[1://code>和
x2=col1[：-1]
，然后执行
0.5*x1+0.5*x2
，这将按元素操作。然后，您可以在每个列上循环，并将其输入此函数以返回结果。是的，这看起来很完美。我真的不明白你是怎么做到的，因为我认为滚动是为了移动平均线。但这看起来不错。还有一个更复杂的问题，那就是它并不总是0.5:0.5。未来可能会变为0.25:0.75
滚动
不是滚动平均值，而是滚动窗口。平均值应该是
rolling（2）.mean（）
-但是在这个滚动窗口后面可以有不同的聚合函数是的，这看起来很完美。我真的不明白你是怎么做到的，因为我认为滚动是为了移动平均线。但这看起来不错。还有一个更复杂的问题，那就是它并不总是0.5:0.5。未来可能会变为0.25:0.75
滚动
不是滚动平均值，而是滚动窗口。平均值应该是
rolling（2）.mean（）
——但是在这个滚动窗口后面可以有不同的聚合函数