Python 使用GroupBy对象上的筛选器筛选出数据帧

数据集：

使用提供的字典，通过执行以下操作，根据通货膨胀调整新的价格：

     a   Make a function called inflation that inputs a dataframe.

     b   Make a new variable conversion. This is a column with the values of conversion_table that matches the column Year as the key.

     c   Remove any non-numerical characters in the column New_Price. Replace the New_Price with that change.

     d   Convert the column type New_Price into float. Replace the New_Price with that change.

     e   Multiply New_Price with conversion. Replace the New_Price with that change.

     f   Return the dataframe.
     
     Then, Print Year, New_Price, and New_Price_Adjusted.

我的代码如下：

KeyError:“转换”

如果我删除此项： df=df.分组依据（“年度”）。适用（通货膨胀）

---

它可以正常工作，但我认为我需要使用这段代码，因为我必须对该函数进行分类。对吗？谁能给我一些建议？提前感谢。

您会收到此错误，因为在这里的

df[df.New\u Price.apply（lambda x:x.isnumeric（））]行中，set\u index（'New\u Price'）

列

New\u Price

的类型为

float

并且

isnumeric（）

对字符串有效，因此如果您想使用此代码，请通过

astype（）将其转换为字符串

方法，即

df[df.New\u Price.astype（str）.apply（lambda x:x.isnumeric（））]。设置索引（“New\u Price”）

那么我该怎么办？似乎我需要删除/删除列New_Price中的任何非数字字符。Lol您使用的是

pd.to_numeric（）

这里

df[“New_Price”]=df[“New_Price”]。应用（pd.to_numeric，downcast='float'，errors='concurve'）

这将把非数值值转换为NaN，然后使用

dropna（）

方法删除通过

to_numeric（）

方法转换为NaN的非数值行=pd.to_numeric（df['New_Price'，errors='concurve'）df=df.dropna（subset=['New_Price']）我试图用它来代替原来的。但新的错误发生了。-->KeyError:“转换”很有效，非常感谢！

     a   Make a function called inflation that inputs a dataframe.

     b   Make a new variable conversion. This is a column with the values of conversion_table that matches the column Year as the key.

     c   Remove any non-numerical characters in the column New_Price. Replace the New_Price with that change.

     d   Convert the column type New_Price into float. Replace the New_Price with that change.

     e   Multiply New_Price with conversion. Replace the New_Price with that change.

     f   Return the dataframe.
     
     Then, Print Year, New_Price, and New_Price_Adjusted.

def inflation(df):
  conversion = conversion_table[df["Year"].values[0]]
  df['New_Price'] = pd.to_numeric(df['New_Price'], errors='coerce')
  df = df.dropna(subset=['New_Price'])
  df["New_Price"] = df["New_Price"].apply(pd.to_numeric, downcast='float', errors='coerce')
  df["New_Price"] = df["New_Price"] * df["conversion"]
  return df

df = df.groupby("Year").apply(inflation)
print(df[["Year","New_Price"]])