web-dev-qa-db-ja.com

Pandas-すべての列のZスコアを計算する

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。

31
Slavatron

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  
54
EdChum

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 |
40
Manuel

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()
9
Joe Bathelt

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

Scipy.stats zscoreを使用して再現された結果

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
4
Surya

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']
3
Josh Chartier

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)
2
ibozkurt79

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。

1
Deninhos