如何获取 pandas 数据框中所有值(NaN 除外)的平均值?
pd.DataFrame.mean()
仅给出每列(或行,当设置axis=1
时)的平均值,但我想要整个事物的平均值。而且 df.mean().mean()
并不是真正最明智的选择(见下文)。
请注意,在我的具体实际案例中,数据帧具有很大的多重索引,这使事情变得更加复杂。对于这并不重要的情况,人们可能会认为@EdChum 的答案更直接,在某些情况下这可能比更快的解决方案更可取。
示例代码
data1 = np.arange(16).reshape(4, 4)
df = pd.DataFrame(data=data1)
df.mean()
0 9.0
1 7.0
2 8.0
3 9.0
dtype: float64
df.mean().mean()
7.5
np.arange(16).mean()
7.5
有效,但如果我屏蔽 df 的部分内容(实际上,它是数百行/列的相关矩阵,其本质上有一半填充了冗余数据),它会变得有趣:
triang = np.triu_indices(4)
data2 = np.arange(4.,20.).reshape(4, 4)
data2[triang]=np.nan
df2 = pd.DataFrame(data=data2)
df2.mean().mean()
15.0
但是
(8. + 12. + 13. + 16. + 17. + 18.)/6
是14.
除了编写某种手动执行上述操作的循环之外,如何才能最好地获得“真实”的意思?
numpy.nanmean
:
triang = np.triu_indices(4)
data2 = np.arange(4.,20.).reshape(4, 4)
data2[triang]=np.nan
df2 = pd.DataFrame(data=data2)
res = np.nanmean(df2) # 14.0
也可以通过
stack
,如@EdChum所述,但速度较慢:
df2 = pd.concat([df2]*100000)
%timeit np.nanmean(df2) # 14.0ms
%timeit df2.stack().dropna().mean() # 55.7ms
如果您的数据仅为数字,您也可以完全消除 Pandas 开销。
解决方案在精神上与@EdChum类似,但使用numpy(默认计算展平数组的平均值):
df.to_numpy().mean()
如果我们想避免 nan,可能的解决方案是
df[df.notna()].to_numpy().mean()
或
np.nanmean(df.to_numpy())
np.nanmean
与np.mean
类似,但没有后缀形式。)