Pandas问题三

【问题一】什么是fillna的前向/后向填充，如何实现？

• df.fillna(method=‘ffll’) 前向填充值
• method = ffill、pad 前向填充（搬运）值
• method = bfill、backfill 后向填充（搬运）值

【问题二】 下面的代码实现了什么功能？请仿照设计一个它的groupby版本

s = pd.Series ([0, 1, 1, 0, 1, 1, 1, 0])
s1 = s.cumsum()
result = s.mul(s1).diff().where(lambda x: x < 0).ffill().add(s1,fill_value =0)
 
s  0 1 1 0 1 1 1 0
s1 0 1 2 2 3 4 5 5
mul 0 1 2 0 3 4 5 0
diff NaN 1 1 -2 3 1 1 -5
where NaN NaN NaN -2 NaN NaN NaN -5
ffill NaN NaN NaN -2 -2 -2 -2 -5
fill_value 0 0 0 -2 -2 -2 -2 -5
add 0 1 2 0 1 2 3 0

df.groupby('School').apply(lambda x:x['Math'].mul(x['Math'].cumsum()).diff().where(lambda m: m < 0).ffill().add(x['Math'].cumsum(),fill_value=0))

【问题三】 如何计算组内0.25分位数与0.75分位数？要求显示在同一张表上。

 df.groupby('School').apply(lambda x: pd.DataFrame({
   'q25': x.quantile(0.25),
   'q75': x.quantile(0.75)
 }))

【问题四】 既然索引已经能够选出某些符合条件的子集，那么filter函数的设计有什么意义？

• filter函数是用来筛选组的，结果是组的全体

【问题五】 整合、变换、过滤三者在输入输出和功能上有何异同？

• 整合（Aggregation）分组计算统计量：输入的是每组数据，输出是每组的统计量，在列维度上是标量。
• 变换（Transformation）：即分组对每个单元的数据进行操作（如元素标准化）：输入的是每组数据，输出是每组数据经过某种规则变换后的数据,不改变数据的维度。
• 过滤（Filtration）：即按照某些规则筛选出一些组:输入的是每组数据，输出的是满足要求的组的所有数据。

【问题六】 在带参数的多函数聚合时，有办法能够绕过wrap技巧实现同样功能吗？

def f_test(s,low=50,high=52):   
 	return s.between(low,high).max()
grouped_single['Math'].agg([f_test,'mean']).head()

• 这里需要理解的是，agg除了传入字符形式的np函数外，其他传入对象也应当是一个函数