我有一个 pandas 数据框,其中包含一列我想要 zscore 标准化的实际值:
>> a
array([ nan, 0.0767, 0.4383, 0.7866, 0.8091, 0.1954, 0.6307,
0.6599, 0.1065, 0.0508])
>> df = pandas.DataFrame({"a": a})
问题是单个
nan
值使得所有数组 nan
:
>> from scipy.stats import zscore
>> zscore(df["a"])
array([ nan, nan, nan, nan, nan, nan, nan, nan, nan, nan])
将
zscore
(或不是来自 scipy 的等效函数)应用于 pandas 数据框的列并让它忽略 nan
值的正确方法是什么?我希望它与原始列具有相同的尺寸,对于无法标准化的值,np.nan
编辑:也许最好的解决方案是使用scipy.stats.nanmean
和
scipy.stats.nanstd
?我不明白为什么需要为此目的更改
std
的自由度:
zscore = lambda x: (x - scipy.stats.nanmean(x)) / scipy.stats.nanstd(x)
pandas'
和
mean
的
std
版本将提供
Nan
,所以你可以这样计算(为了获得与scipy zscore相同的结果,我认为你需要在
std
上使用ddof = 0) :
df['zscore'] = (df.a - df.a.mean())/df.a.std(ddof=0)
print df
a zscore
0 NaN NaN
1 0.0767 -1.148329
2 0.4383 0.071478
3 0.7866 1.246419
4 0.8091 1.322320
5 0.1954 -0.747912
6 0.6307 0.720512
7 0.6599 0.819014
8 0.1065 -1.047803
9 0.0508 -1.235699
nan_policy = 'omit' 并且 nan 在计算中会被忽略:
a = np.array([np.nan, 0.0767, 0.4383, 0.7866, 0.8091, 0.1954, 0.6307, 0.6599, 0.1065, 0.0508])
ZScore_a = stats.zscore(a,nan_policy='omit')
print(ZScore_a)
[nan -1.14832945 0.07147776 1.24641928 1.3223199 -0.74791154
0.72051236 0.81901449 -1.0478033 -1.23569949]
z = a # initialise array for zscores
z[~np.isnan(a)] = zscore(a[~np.isnan(a)])
pandas.DataFrame({'a':a,'Zscore':z})
Zscore a
0 NaN NaN
1 -1.148329 0.0767
2 0.071478 0.4383
3 1.246419 0.7866
4 1.322320 0.8091
5 -0.747912 0.1954
6 0.720512 0.6307
7 0.819014 0.6599
8 -1.047803 0.1065
9 -1.235699 0.0508
notna
来屏蔽掉。您可以创建一个与原始 df 尺寸相同的 DataFrame,其中在一行中的相同位置包含原始 df 值和 NaN 的 z 分数:
zscore_df = pd.DataFrame(scipy.stats.zscore(df.fillna(df.mean())), index=df.index, columns=df.columns).where(df.notna())