У меня есть функция и правило, которое нужно применить к df.
def apply_rule(df, rule):
df['legal'] = df.apply(rule)
def greater_than_mean_plus_1_std():
return df['col1']>df['col1'].mean()+df['col1'].std()
apply_rule(df, greater_than_mean_plus_1_std)
Я хочу применить правило к моему df, которое может создать новый столбец, который сообщает мне, больше ли значение строки, чем среднее + стандартное значение, или нет.
Но с df.apply() я не могу использовать здесь df.mean() и df.std().
AttributeError: 'float' object has no attribute 'mean'
Есть ли способ сделать это? Или мне нужно использовать методы, отличные от df.apply()?
отредактировано:
print(df.head())
col1
0 7.2
1 7.2
2 7.2
3 7.2
4 7.2
ожидаемый результат:
col1 legal
0 7.2 False
1 7.2 False
2 7.2 False
3 7.2 False
4 7.2 False
Не нужно использовать apply
здесь
df['legal'] = df['col1'] > (df['col1'].mean()+df['col1'].std())
Если вы хотите использовать apply
, вы можете использовать DataFrame.apply для строк или Series.apply.
df['legal'] = df.apply(lambda row: row['col1'] > (df['col1'].mean()+df['col1'].std()), axis=1)
# or
df['legal'] = df['col1'].apply(lambda x: x > (df['col1'].mean()+df['col1'].std()))
сначала вычисляя среднее и стандартное значение,
col1_mean = df["col1"].mean()
col1_std = df["col1"].std()
Затем используйте это предварительно рассчитанное значение в приложении, как это
df["legal"] = df["col1"].apply(lamdba x: x > col1_mean + col1_std)
и если вы хотите сделать его функциональным, вы можете использовать лямбда:
col1_mean = df["col1"].mean()
col1_std = df["col1"].std()
greater_than_mean_plus_1_std = lambda x: x > col1_mean + col1_std
def apply_rule(df, rule, column):
df['legal'] = df[column].apply(rule)
Теперь, чтобы вызвать это apply_rule
apply_rule(df, greater_than_mean_plus_1_std, "col1")
Ты можешь использовать:
def apply_rule(df, rule):
df['legal'] = rule(df) # <- change here
def greater_than_mean_plus_1_std(df): # <- change here
return df['col1'] > df['col1'].mean() + df['col1'].std()
apply_rule(df, greater_than_mean_plus_1_std)
Выход:
# df = pd.DataFrame({'col1': range(10)})
>>> df
col1 legal
0 0 False
1 1 False
2 2 False
3 3 False
4 4 False
5 5 False
6 6 False
7 7 False
8 8 True
9 9 True
Обновите свой пост выводом
print(df.head())
, пожалуйста.