如何构造一个从数据框获取输入以计算特定指标的python函数答案

【问题标题】：how to structure a python function that take input from data frame to calculate specific indicator如何构造一个从数据框获取输入以计算特定指标的python函数
【发布时间】：2021-09-30 09:49:15
【问题描述】：

我是一名 Python 初学者，我想构建一个计算特定指标的 Python 函数，

例如，数据如下：

ID    status        Age    Gender
01    healthy       16     Male
02    un_healthy    14     Female
03    un_healthy    22     Male
04    healthy       12     Female
05    healthy       33     Female

构建一个通过health+un_health计算健康人百分比的函数

def health_rate(healthy, un_healthy,age){
    if (age >= 15):
        if (gender == "Male"):
            return rateMale= (count(healthy)/count(healthy)+count(un_healthy))
        Else
            return rateFemale= (count(healthy)/count(healthy)+count(un_healthy))
    Else 
        return print("underage");

然后只需使用 .apply

但逻辑不对，我仍然没有得到我想要的输出我要返回男价和女价

【问题讨论】：

标签： python dataframe indicator

【解决方案1】：

你可以使用pivot_table（df你的数据框）：

df = df[df.Age >= 15].pivot_table(
    index="status", columns="Gender", values="ID",
    aggfunc="count", margins=True, fill_value=0
)

示例数据框的结果：

Gender      Female  Male  All
status                       
healthy          1     1    2
un_healthy       0     1    1
All              1     2    3

如果你想要百分比：

df = (df / df.loc["All", :] * 100).drop("All")

结果：

Gender      Female  Male        All
status                             
healthy      100.0  50.0  66.666667
un_healthy     0.0  50.0  33.333333

【讨论】：

【解决方案2】：

df[col_name].value_counts(normalize=True) 为您提供所需列的比例。参数化方法如下：

def health_percentages(df, col_name):
    return df[col_name].value_counts(normalize=True)*100

例子：

data = [ [1, 'healthy',16,'M'], [2, 'un_healthy',14,'F'], [3, 'un_healthy', 22, 'M'],[4, 'healthy', 12, 'F'],[5, 'healthy', 33, 'F']]

df = pd.DataFrame(data, columns = ['ID','status', 'Age', 'Gender'])
print(df)
print(health_percentages(df, 'status'))

#output:
   ID      status  Age Gender
0   1     healthy   16      M
1   2  un_healthy   14      F
2   3  un_healthy   22      M
3   4     healthy   12      F
4   5     healthy   33      F

healthy       60.0
un_healthy    40.0

【讨论】：