我不确定我做了什么,但我希望这两种方法能得到相同的结果,从拉曼斯棒球数据集计算棒球运动员的平均命中率:
import numpy as np
import pandas as pd
batting = pd.read_csv('https://github.com/bhishanpdl/Datasets/blob/master/Lahman_batting.csv?raw=true')
# create new col
batting['ba'] = batting['H'] / batting['AB']
# groupby for each baseball player
print(batting.groupby('playerID')[['ba','AB']]
.sum().head().reset_index())
这将提供:
playerID ba AB
0 aardsda01 0.000000 4
1 aaronha01 6.924731 12364
2 aaronto01 1.544619 944
3 aasedo01 0.000000 5
4 abadan01 0.117647 21
但是,只看第二名球员,结果是错误的
# sanity check for aaronha01
a = batting.query(""" playerID == 'aaronha01' """)['H'].sum()
b = batting.query(""" playerID == 'aaronha01' """)['AB'].sum()
a,b,a/b
(3771, 12364, 0.30499838240051763)
如何纠正结果
对于第二个名为aaronha01
的播放器,结果应该是0.30499838240051763
,但是groupby给出了6.924731
更新
在R中我们得到了正确的答案,但我在熊猫身上看到了:
library(Lahman)
batting = as_tibble(Lahman::Batting)
batters = batting %>%
group_by(playerID) %>%
summarize(
ba = sum(H, na.rm = TRUE) / sum(AB, na.rm = TRUE),
ab = sum(AB, na.rm = TRUE)
)
head(batters)
playerID ba ab
aardsda01 0.0000000 4
aaronha01 0.3049984 12364
aaronto01 0.2288136 944
aasedo01 0.0000000 5
abadan01 0.0952381 21
abadfe01 0.1111111 9
您可以对两列求和,然后计算groupby之后的平均值:
如果你想让它都在一条线上,可以用
eval
链接:为了解释你原来的问题,上面是一个击球平均每个AB是给予相同的重量。在你最初的公式中,首先计算每一行的
'ba'
,然后取平均值,你给每个观察结果的权重是相等的(在这种情况下基本上是每年),而不是每个个体的。如果你用每一排腹肌的数量来加权平均值,你会得到与上面相同的答案相关问题 更多 >
编程相关推荐