python - 计算pandas中列中第n个元素的平均值

Question

我有以下数据框:

             df1
index   year   week   a     b     c
 -10    2017    10   45    26    19
  -9    2017    11   37    23    14
  -8    2017    12   21    66    19
  -7    2017    13   47    36    92
  -6    2017    14   82    65    18
  -5    2017    15   68    68    19
  -4    2017    16   30    95    24
  -3    2017    17   21    15    94
  -2    2017    18   67    30    16
  -1    2017    19   10    13    13
   0    2017    20   26    22    18
   1    2017    21   NaN   NaN   NaN
   2    2017    22   NaN   NaN   NaN
   3    2017    23   NaN   NaN   NaN
   4    2017    24   NaN   NaN   NaN
   ...
   53   2018    20   NaN   NaN   NaN

我需要为每个空单元格计算列中前 n 个值的平均值，并将该值写入单元格。 n 等于从零开始的索引数。例如，对于 a 列中的第一个空单元格，我必须计算索引 0 和 -10 之间的平均值。然后是 1 和 -9 之间的下一个单元格，依此类推。 a、b 和 c 列也是如此。计算总是从 index = 1 开始。

而且问题是a、b、c等列的数量可以不同。但我知道这些列总是在 week 列之后。是否可以将这些计算应用于不确定数量的列，但如果已知这些列将位于 week 列之后？

我努力寻找任何东西，但找不到合适的东西。

UPD:如果这有帮助，从 index = 0 开始的最大行数将为 53。

Answer 1

这可以像下面这样完成:

n = 11 # in the example of your explanation
df = df1.loc[range(1,df1.index[-1]+1)] # select rows from index 1 above

df 应该是这样的:

       year  week   a   b   c
index                        
1      2017    21 NaN NaN NaN
2      2017    22 NaN NaN NaN
3      2017    23 NaN NaN NaN
4      2017    24 NaN NaN NaN

然后你:

for s in list(df.index): # iterate through rows with nan values
    for i in range(2,df.columns.size): # iterate through different cols ('a','b','c' or more)
        df1.loc[s,df.columns[i]] = df1.loc[range(s-n,s),df.columns[i]].sum()/n
print(df1)

请注意，在这种情况下，我按照您的示例进行操作，并假设 year 始终是第一列，week 始终是第二列，以便选择 之后的所有列week 和 index 是..索引

输出:

       year  week          a          b          c
index                                             
-10    2017    10  45.000000  26.000000  19.000000
-9     2017    11  37.000000  23.000000  14.000000
-8     2017    12  21.000000  66.000000  19.000000
-7     2017    13  47.000000  36.000000  92.000000
-6     2017    14  82.000000  65.000000  18.000000
-5     2017    15  68.000000  68.000000  19.000000
-4     2017    16  30.000000  95.000000  24.000000
-3     2017    17  21.000000  15.000000  94.000000
-2     2017    18  67.000000  30.000000  16.000000
-1     2017    19  10.000000  13.000000  13.000000
 0     2017    20  26.000000  22.000000  18.000000
 1     2017    21  41.272727  41.727273  31.454545
 2     2017    22  40.933884  43.157025  32.586777
 3     2017    23  41.291510  44.989482  34.276484
 4     2017    24  43.136193  43.079434  35.665255