python pandas或Filter中的管道或函数序列，然后汇总如dplyr

如何解决python pandas或Filter中的管道或函数序列，然后汇总如dplyr

情境化。我是R使用者，但目前在python（带熊猫）之间切换。假设我有这个数据框

data = {'participant': ['p1','p1','p2','p3'],'metadata': ['congruent_1','congruent_2','incongruent_1','incongruent_2'],'reaction': [22000,25000,27000,35000]
        }

df_s1 = pd.DataFrame(data,columns = ['participant','metadata','reaction'])
df_s1 = df_s1.append([df_s1]*15,ignore_index=True)
df_s1

我想通过以下方式重现在R（管道函数）中可以轻松完成的工作：

df_s1[(df_s1.metadata == "congruent_1") | (df_s1.metadata == "incongruent_1")].df_s1["reaction"].mean()

这是不可能的。将代码拆分为各个部分/变量，我就可以成功：

x = df_s1[(df_s1.metadata == "congruent_1") | (df_s1.metadata == "incongruent_1")]
x = x["reaction"].mean()
x

我会用dplyr的方式

ds_s1 %>% 
  filter(metadata == "congruent_1" | metadata == "incongruent_1") %>% 
  summarise(mean(reaction))

注意：我高度赞赏对网站的简洁引用，我可以在其中将R代码转换为Python。提供了几种文献，但格式混合且样式灵活。

谢谢

解决方法

您的意思是：

df_s1.loc[(df_s1.metadata == "congruent_1") | (df_s1.metadata == "incongruent_1"),"reaction"].mean()

或更简单的使用isin：

df_s1.loc[df_s1.metadata.isin(["congruent_1","incongruent_1"]),"reaction"].mean()

出局：

24500.0

,

我们这里有.loc

df_s1.loc[(df_s1.metadata == "congruent_1") | (df_s1.metadata == "incongruent_1"),'reaction'].mean()
Out[117]: 24500.0

更改为isin，因为Quang试图减少代码行

---

以R为底

mean(ds_s1$reaction[ds_s1$metadata%in%c('congruent_1','incongruent_1')])

,

除了其他建议的解决方案：

df_s1.query('metadata==["congruent_1","incongruent_1"]').agg({"reaction": "mean"})

 reaction    24500.0
 dtype: float64

,

使用 Python 中的 datar（我是作者），您可以轻松地将代码从 R 移植到 Python：

from datar.all import *

data = tibble(
  participant=['p1','p1','p2','p3'],metadata=['congruent_1','congruent_2','incongruent_1','incongruent_2'],reaction=[22000,25000,27000,35000]
)

df_s1 = data >> uncount(15)

df_s1 = df_s1 >> \
  filter((f.metadata == "congruent_1") | (f.metadata == "incongruent_1")) >> \
  group_by(f.metadata) >> \
  summarise(reaction_mean=mean(f.reaction))

print(df_s1)

输出：

        metadata  reaction_mean
0    congruent_1        22000.0
1  incongruent_1        27000.0