由两列分组的平均值，窗口为 3 个月，NaN 少于 3 个月

Posted 2023-04-15

【中文标题】由两列分组的平均值，窗口为 3 个月，NaN 少于 3 个月

【英文标题】：Mean grouped by two columns with window by 3 months and NaN for less than 3 months

【发布时间】：2020-05-24 00:28:32

【问题描述】：

我必须按客户、帐户在此数据集中应用平均值计算，但此平均值需要每 3 个月应用到这些组中。对于没有3个月的客户A1200，结果需要NaN。

customer    account    month        invoice
C1000       A1100      2019-10-01   34000
                       2019-11-01   55000
                       2019-12-01   80000
            A1200      2019-10-01   90000
                       2019-11-01   55000
            A1300      2019-10-01   10000
                       2019-11-01   10000
                       2019-12-01   20000
C2000       A2100      2019-10-01   78000
                       2019-11-01   55000
                       2019-12-01   80000

我尝试使用此命令，但平均值看起来不正确。

df_3m.groupby(['customer','account']).mean()

pandas 或 pyspark 中是否有一些想法？

【问题讨论】：

只是为了确认分组没有满三个月，那么不要对相应的金额做任何事情。只需将金额替换为nan？如果有 4 个月，计算前 3 个月的平均值并将第 4 个月的金额替换为 nan，会发生什么情况？

【参考方案1】：

数据

+----------+---------+----------+----------+
| customer | account |  month   |  invoice |
+----------+---------+----------+----------+
| C1000    | A1100   | 01-10-19 |    34000 |
| C1000    | A1100   | 01-11-19 |    55000 |
| C1000    | A1100   | 01-12-19 |    80000 |
| C1000    | A1200   | 01-10-19 |    90000 |
| C1000    | A1200   | 01-11-19 |    55000 |
| C1000    | A1300   | 01-10-19 |    10000 |
| C1000    | A1300   | 01-11-19 |    10000 |
| C1000    | A1300   | 01-12-19 |    20000 |
| C2000    | A2100   | 01-10-19 |    78000 |
| C2000    | A2100   | 01-11-19 |    55000 |
| C2000    | A2100   | 01-12-19 |    80000 |
+----------+---------+----------+----------+

您的查询

res = df_3m.groupby(['customer','account']).mean()

查询以过滤具有less than 3 months 的帐户

lt_3 = df.groupby(['account']).count() >2

最终结果

res[lt_3]

输出

+----------+---------+--------------+
| customer | account |   invoice    |
+----------+---------+--------------+
| C1000    | A1100   | 56333.333333 |
|          | A1200   | NaN          |
|          | A1300   | 13333.333333 |
| C2000    | A2100   | 71000.000000 |
+----------+---------+--------------+

【参考方案2】：

你可以试试这个：

df['month'] = pd.to_datetime(df['month'])
df = df.groupby(by=['customer', 'account']).mean()[df.groupby(by=['customer', 'account']).count() > 2].reset_index()
print(df)

输出：

  customer account       invoice
0    C1000   A1100  56333.333333
1    C1000   A1200           NaN
2    C1000   A1300  13333.333333
3    C2000   A2100  71000.000000

【讨论】：

嘿，太好了！它完美地工作！我不知道这个技巧[df_3m.groupby(by=['customer', 'account']).count() > 2]，这是什么？以及它如何与另一部分代码结合？

条件就是这样，如下所示：df[df['number'] < 100]，您只选择df 中列number 的值小于100 的行