Вычислить средневзвешенное значение с помощью панды/данных

У меня есть следующая таблица. Я хочу рассчитать средневзвешенное значение, сгруппированное по каждой дате, исходя из приведенной ниже формулы. Я могу сделать это с использованием стандартного обычного кода, но если предположить, что эти данные находятся в кадре данных pandas, есть ли более простой способ добиться этого, а не через итерацию?

Date        ID      wt      value   w_avg
01/01/2012  100     0.50    60      0.791666667
01/01/2012  101     0.75    80
01/01/2012  102     1.00    100
01/02/2012  201     0.50    100     0.722222222
01/02/2012  202     1.00    80

01/01/2012 w_avg = 0,5 * (60/сумма (60,80,100)) +.75 * (80/сумма (60,80,100)) + 1,0 * (100/сумма (60,80,100))

01/02/2012 w_avg = 0,5 * (100/сумма (100,80)) + 1,0 * (80/сумма (100,80))

Ответ 1

Думаю, я бы сделал это с двумя группами.

Сначала вычислить "средневзвешенное":

In [11]: g = df.groupby('Date')

In [12]: df.value / g.value.transform("sum") * df.wt
Out[12]:
0    0.125000
1    0.250000
2    0.416667
3    0.277778
4    0.444444
dtype: float64

Если вы установите это как столбец, вы можете группировать его:

In [13]: df['wa'] = df.value / g.value.transform("sum") * df.wt

Теперь сумма этого столбца является желаемой:

In [14]: g.wa.sum()
Out[14]:
Date
01/01/2012    0.791667
01/02/2012    0.722222
Name: wa, dtype: float64

или потенциально:

In [15]: g.wa.transform("sum")
Out[15]:
0    0.791667
1    0.791667
2    0.791667
3    0.722222
4    0.722222
Name: wa, dtype: float64

Ответ 2

Позвольте сначала создать пример pandas dataframe:

In [1]: import numpy as np

In [2]: import pandas as pd

In [3]: index = pd.Index(['01/01/2012','01/01/2012','01/01/2012','01/02/2012','01/02/2012'], name='Date')

In [4]: df = pd.DataFrame({'ID':[100,101,102,201,202],'wt':[.5,.75,1,.5,1],'value':[60,80,100,100,80]},index=index)

Затем среднее значение "wt", взвешенное по "значению" и сгруппированное по индексу, получается как:

In [5]: df.groupby(df.index).apply(lambda x: np.average(x.wt, weights=x.value))
Out[5]: 
Date
01/01/2012    0.791667
01/02/2012    0.722222
dtype: float64

В качестве альтернативы можно также определить функцию:

In [5]: def grouped_weighted_avg(values, weights, by):
   ...:     return (values * weights).groupby(by).sum() / weights.groupby(by).sum()

In [6]: grouped_weighted_avg(values=df.wt, weights=df.value, by=df.index)
Out[6]: 
Date
01/01/2012    0.791667
01/02/2012    0.722222
dtype: float64

Ответ 3

Я сохранил таблицу в файле.csv

df=pd.read_csv('book1.csv')

grouped=df.groupby('Date')
g_wavg= lambda x: np.average(x.wt, weights=x.value)
grouped.apply(g_wavg)

Ответ 4

Я чувствую, что следующее является изящным решением этой проблемы: (агрегатная функция Pandas DataFrame с использованием нескольких столбцов)

grouped = df.groupby('Date')

def wavg(group):
    d = group['value']
    w = group['wt']
    return (d * w).sum() / w.sum()

grouped.apply(wavg)