平均規范化不同版本的代碼

Question

我想說的是規范化我的數據框架，當我實現代碼的第一個版本時，我會獲得規范化的值，但是當我實現版本2的時候，我會得到一個錯誤，稱為stop iteration 。 ["1B","2B","3B","HR","BB"]是我的數據框中的列。

版本1：

def meanNormalizeRates(df):
        subRates = df[["1B","2B","3B","HR","BB"]]
        df[["1B","2B","3B","HR","BB"]] = subRates - subRates.mean(axis=0)
        return df

stats = stats.groupby('yearID').apply(meanNormalizeRates)
stats.head()

版本2：

 def mean(df):
    for val in ["1B","2B","3B","HR","BB"]:
          stats[val] = stats[val] -stats[val].mean(axis=0)

stats = stats.groupby('yearID').apply(mean)

stats.head()

我無法理解兩個版本之間的區別。

一個很好的例子

data = {'state': ['Ohio', 'Ohio', 'Ohio', 'Nevada', 'Nevada'],
'year': [2000, 2001, 2002, 2001, 2002],
'pop': [1.5, 1.7, 3.6, 2.4, 2.9],
'gate' : [9, 7, 4,6, 9]}

frame = pd.DataFrame(data)
frame.head()

版本1.1

def std(df):
    temp = df[['gate', 'pop']]
    df[['gate', 'pop']] = temp - temp.mean(axis=0)
    return df
frame.groupby('year').apply(std)

    gate    pop state   year
0   9   1.5 Ohio    2000
1   7   1.7 Ohio    2001
2   4   3.6 Ohio    2002
3   6   2.4 Nevada  2001
4   9   2.9 Nevada  2002

版本1.2

def mean(df):
    for val in ['gate', 'pop']:
        df[val] = df[val]- df[val].mean(axis=0)

frame.groupby('year').apply(mean)

error: stop iteration

Answer 1

好的，所以因為在mean()函數中沒有return語句（在示例1.2中），所以該函數只為每個組返回None 。 您得到的StopIteration錯誤不是很清楚，但是正在發生的是：

• apply()在每個組上調用mean()函數。
• 這些調用均返回None 。
• 結果放入列表中，所以這里是所有None的列表
• 作為嘗試將結果拼接在一起的一部分， apply()嘗試在列表中查找非None值，這將引發StopIteration異常。

因此，基本上，您可以通過執行以下操作來重現錯誤：

eg_list = [None, None, None]
v = next(v for v in eg_list if v is not None)
---------------------------------------------------------------------------
StopIteration                             Traceback (most recent call last)
<ipython-input-12-93b31b7a51e4> in <module>()
----> 1 v = next(v for v in eg_list if v is not None)

不過，所有這些細節可能太多了-要點是，當您使用apply() ，您實際上不應該在要應用的函數中進行所有更改-您應該從函數返回一個結果，然后將它們分配回數據框，例如：

# The lambda here will return the relevant values of gate and pop,
# and we just assign them wherever we want in the dataframe.
# Could be new columns, could be existing ones
frame[['gate', 'pop']] = frame.groupby('year')[['gate', 'pop']].apply(
    lambda group: group - group.mean(axis=0))