Python Pandas Agg（λx:np.mean（x==某物）

请解释lambda函数是如何工作的

我知道星期一类是计数（2天）/（星期一总天数）。星期二也是如此

但我无法理解lambda和np.mean背后的逻辑

另外，为什么下面不返回上面的结果，例如：0.3333？谢谢

---

x==2

为

'Monday'

（第0、4、5和8行）返回一个布尔数组，例如

[True、False、False、False]

。在

np.mean中，这些布尔值被转换为
[1、0、0、0]
，该数组的平均值为
0.25


至于第二个问题：如果不分组，则
x
是每行的值，例如，第0行的
2
。
2==2
返回
True
和
np.mean（True）==np.mean（1）==1.0

为了更好地了解发生了什么，您可以像这样输出
x
：

def agg_fun(x):
    print(f"--- called with {type(x).__name__} ---:\n{x}\n{'='*27}")
    return np.mean(x==2)

dd.agg(agg_fun)

要完全理解
agg
的行为，您必须仔细阅读以下内容：

用于聚合数据的函数。如果是函数，则必须
当传递给系列或传递给系列时工作。应用

事实上，函数首先应用于序列（即在每个元素上调用），并且只有在失败时才调用该函数，并将序列作为其参数，请参见。例如，以下示例：

s = pd.Series([1,2])
s.agg(lambda x: np.mean(x))

此功能可以应用，我们收到

0    1.0
1    2.0

相比之下，
s.agg（lambda x:x.mean（））
（与
s.agg（np.mean）
相同）不能应用于一个系列（一个
int
没有属性
mean
），因此此错误被捕获，并再次尝试调用函数，以该系列作为参数。此操作没有错误，我们收到
1.5
x==2
返回布尔数组，例如
[True，False，False，False]
用于
'Monday'
（第0、4、5和8行）。在
np.mean
中，这些布尔值被转换为
[1,0,0,0]
，此数组的平均值为
0.25


至于第二个问题：如果不分组，则
x
是每行的值，例如，第0行的
2
。
2==2
返回
True
和
np.mean（True）==np.mean（1）==1.0

为了更好地了解发生了什么，您可以像这样输出
x
：

def agg_fun(x):
    print(f"--- called with {type(x).__name__} ---:\n{x}\n{'='*27}")
    return np.mean(x==2)

dd.agg(agg_fun)

要完全理解
agg
的行为，您必须仔细阅读以下内容：

用于聚合数据的函数。如果是函数，则必须
当传递给系列或传递给系列时工作。应用

事实上，函数首先应用于序列（即在每个元素上调用），并且只有在失败时才调用该函数，并将序列作为其参数，请参见。例如，以下示例：

s = pd.Series([1,2])
s.agg(lambda x: np.mean(x))

此功能可以应用，我们收到

0    1.0
1    2.0

相比之下，
s.agg（lambda x:x.mean（））
（与
s.agg（np.mean）
相同）不能应用于一个系列（一个
int
没有属性
mean
），因此此错误被捕获，并再次尝试调用函数以序列作为参数。此操作正常，我们收到
1.5
您好，谢谢！请进一步解释为什么如果我不使用groupby，它不会返回相同的结果（请参阅我的编辑）？我希望它返回0.33333。嗨，谢谢，我的想法是。如果第一个例子，
df.groupby（'Days'）。agg（np.mean）
将返回周一的平均值，而第二个例子
dd.agg（np.mean）
还将返回整个序列的平均值。但是lambda x，它在groupby和未使用groupby时的行为不同。请再次解释为什么第一个使用groupby的示例中，lambda x将在周一和周二下返回布尔值列表？Thanks@josephgan当前位置请查看我的最新答案。谢谢您的时间和努力！！我是通过e第二个示例（没有groupby）。第一个示例还有一点需要确认的地方。因此，如果我使用groupby，调用的任何函数都将作为参数应用于整个系列。它不会查看单个行（不是因为它无法应用），因此
df.groupby（'Days'）.agg（lambda x:np.mean（x==2））的逻辑
1.它首先在“天”内为每组创建序列2.Lambda x将为整个序列返回x==2的布尔值。3.然后np.mean将应用于整个序列。我的理解正确吗？谢谢！@josephgan是的，这是正确的。为了更好地诊断，我还对我的回答中的
agg_fun
进行了一些修改。嗨，谢谢！你能帮忙吗e进一步解释为什么如果我不使用groupby，它不会返回相同的结果（请参见我的编辑）？我希望它返回0.33333。嗨，谢谢，我的想法是。如果第一个示例，
df.groupby（'Days'）.agg（np.mean）
将返回星期一的平均值，而第二个示例
dd.agg（np.mean）
还将返回整个序列的平均值。但是lambda x，它在groupby和未使用groupby时的行为不同。请再次解释为什么第一个使用groupby的示例中，lambda x将在周一和周二下返回布尔值列表？Thanks@josephgan当前位置请查看我的最新答案。谢谢您的时间和努力！！我是通过e第二个示例（没有groupby）。第一个示例还有一点需要确认的地方。因此，如果我使用groupby，调用的任何函数都将作为参数应用于整个系列。它不会查看单个行（不是因为它无法应用），因此
df.groupby（'Days'）.agg（lambda x:np.mean（x==2））的逻辑
1.它首先在'Days'2中为每个组创建序列。Lambda x将为整个序列返回布尔值x==2。3.然后应用np.mean t