IDの単一の列を含むデータフレームがあり、他のすべての列は数値であり、zスコアを計算します。以下がそのサブセクションです。
ID Age BMI Risk Factor
PT 6 48 19.3 4
PT 8 43 20.9 NaN
PT 2 39 18.1 3
PT 9 41 19.5 NaN
一部の列にはNaスコアが含まれているため、Zスコアの計算に含めたくないので、この質問に対して提供されるソリューションを使用するつもりです。 How to zscore normalize pandas nans? の列
df['zscore'] = (df.a - df.a.mean())/df.a.std(ddof=0)
このソリューションをID列以外のすべての列に適用して、新しいデータフレームを作成し、Excelファイルとして保存できるようにしたい
df2.to_Excel("Z-Scores.xlsx")
だから基本的に;各列のZスコアを計算して(NaN値を無視して)、すべてを新しいデータフレームにプッシュするにはどうすればよいですか?
サイドノート:pandas "indexing"と呼ばれる概念がありますが、これはよくわからないので私を威whichします。インデックス付けがこの問題を解決する重要な部分である場合、インデックス付けの説明を控えめにしてください。
列からリストを作成し、Zスコアを計算したくない列を削除します。
In [66]:
cols = list(df.columns)
cols.remove('ID')
df[cols]
Out[66]:
Age BMI Risk Factor
0 6 48 19.3 4
1 8 43 20.9 NaN
2 2 39 18.1 3
3 9 41 19.5 NaN
In [68]:
# now iterate over the remaining columns and create a new zscore column
for col in cols:
col_zscore = col + '_zscore'
df[col_zscore] = (df[col] - df[col].mean())/df[col].std(ddof=0)
df
Out[68]:
ID Age BMI Risk Factor Age_zscore BMI_zscore Risk_zscore \
0 PT 6 48 19.3 4 -0.093250 1.569614 -0.150946
1 PT 8 43 20.9 NaN 0.652753 0.074744 1.459148
2 PT 2 39 18.1 3 -1.585258 -1.121153 -1.358517
3 PT 9 41 19.5 NaN 1.025755 -0.523205 0.050315
Factor_zscore
0 1
1 NaN
2 -1
3 NaN
Scipyのzscore 関数を使用:
df = pd.DataFrame(np.random.randint(100, 200, size=(5, 3)), columns=['A', 'B', 'C'])
df
| | A | B | C |
|---:|----:|----:|----:|
| 0 | 163 | 163 | 159 |
| 1 | 120 | 153 | 181 |
| 2 | 130 | 199 | 108 |
| 3 | 108 | 188 | 157 |
| 4 | 109 | 171 | 119 |
from scipy.stats import zscore
df.apply(zscore)
| | A | B | C |
|---:|----------:|----------:|----------:|
| 0 | 1.83447 | -0.708023 | 0.523362 |
| 1 | -0.297482 | -1.30804 | 1.3342 |
| 2 | 0.198321 | 1.45205 | -1.35632 |
| 3 | -0.892446 | 0.792025 | 0.449649 |
| 4 | -0.842866 | -0.228007 | -0.950897 |
データフレームのすべての列が数値ではない場合、select_dtypes
関数を使用して、数値列にのみZスコア関数を適用できます。
# Note that `select_dtypes` returns a data frame. We are selecting only the columns
numeric_cols = df.select_dtypes(include=[np.number]).columns
df[numeric_cols].apply(zscore)
| | A | B | C |
|---:|----------:|----------:|----------:|
| 0 | 1.83447 | -0.708023 | 0.523362 |
| 1 | -0.297482 | -1.30804 | 1.3342 |
| 2 | 0.198321 | 1.45205 | -1.35632 |
| 3 | -0.892446 | 0.792025 | 0.449649 |
| 4 | -0.842866 | -0.228007 | -0.950897 |
すべての列のzスコアを計算する場合は、次を使用できます。
df_zscore = (df - df.mean())/df.std()
カスタム関数を使用してZscoreを取得する他の方法は次のとおりです
In [6]: import pandas as pd; import numpy as np
In [7]: np.random.seed(0) # Fixes the random seed
In [8]: df = pd.DataFrame(np.random.randn(5,3), columns=["randomA", "randomB","randomC"])
In [9]: df # watch output of dataframe
Out[9]:
randomA randomB randomC
0 1.764052 0.400157 0.978738
1 2.240893 1.867558 -0.977278
2 0.950088 -0.151357 -0.103219
3 0.410599 0.144044 1.454274
4 0.761038 0.121675 0.443863
## Create custom function to compute Zscore
In [10]: def z_score(df):
....: df.columns = [x + "_zscore" for x in df.columns.tolist()]
....: return ((df - df.mean())/df.std(ddof=0))
....:
## make sure you filter or select columns of interest before passing dataframe to function
In [11]: z_score(df) # compute Zscore
Out[11]:
randomA_zscore randomB_zscore randomC_zscore
0 0.798350 -0.106335 0.731041
1 1.505002 1.939828 -1.577295
2 -0.407899 -0.875374 -0.545799
3 -1.207392 -0.463464 1.292230
4 -0.688061 -0.494655 0.099824
In [12]: from scipy.stats import zscore
In [13]: df.apply(zscore) # (Credit: Manuel)
Out[13]:
randomA randomB randomC
0 0.798350 -0.106335 0.731041
1 1.505002 1.939828 -1.577295
2 -0.407899 -0.875374 -0.545799
3 -1.207392 -0.463464 1.292230
4 -0.688061 -0.494655 0.099824
ほぼワンライナーのソリューション:
df2 = (df.ix[:,1:] - df.ix[:,1:].mean()) / df.ix[:,1:].std()
df2['ID'] = df['ID']
zスコアの場合、「適用」機能を使用する代わりにドキュメントに固執することができます
df_zscore = scipy.stats.zscore(cols as array, axis=1)
時系列を扱う場合、zスコア(または異常-同じことではありませんが、このコードを簡単に調整できます)の計算はもう少し複雑です。たとえば、毎週測定される10年間の温度データがあります。時系列全体のZスコアを計算するには、年の各日の平均と標準偏差を知る必要があります。それでは始めましょう:
pandas DataFrame。 index。Pandasは、日付の形式を推測しようとします。ここでの目標は、DateTimeIndexを取得することです。
type(df.index)
持っていない場合は、作りましょう。
df.index = pd.DatetimeIndex(df[datecolumn])
df = df.drop(datecolumn,axis=1)
次のステップでは、各日のグループの平均と標準偏差を計算します。このために、groupbyメソッドを使用します。
mean = pd.groupby(df,by=[df.index.dayofyear]).aggregate(np.nanmean)
std = pd.groupby(df,by=[df.index.dayofyear]).aggregate(np.nanstd)
最後に、すべての日付をループして、計算(値-平均)/ stddevを実行します。ただし、前述のように、時系列ではこれはそれほど簡単ではありません。
df2 = df.copy() #keep a copy for future comparisons
for y in np.unique(df.index.year):
for d in np.unique(df.index.dayofyear):
df2[(df.index.year==y) & (df.index.dayofyear==d)] = (df[(df.index.year==y) & (df.index.dayofyear==d)]- mean.ix[d])/std.ix[d]
df2.index.name = 'date' #this is just to look nicer
df2 #this is your z-score dataset.
Forループ内のロジックは次のとおりです。特定の年について、各dayofyearをその平均値と標準偏差に一致させる必要があります。私たちはあなたの時系列で何年もこれを実行します。