具有特定条件的 pandas DataFrame 中的加权平均值

Question

我想动态创建一个指数衰减的移动平均线，为最近测量值赋予更多权重。例如，如果我有 5 个请求，而这 5 个请求是过去 4 周的结果，我想使用这 4 周（第 1 行）动态创建指数平均值。尽管如此，如果这 5 个请求是 4 周的结果，但其中一些周不止一次出现，那么我想以某种方式修改指数平均值，以免将重复的周视为单独的周并分配错误的权重。我的测量值以周为单位。示例数据框：

id requests day_of_week hour   weeks 
1    5        3       21   [1,2,3,4] 
2    5        3.      22   [2,2,3,4]

Expected output:
id requests day_of_week hour   weeks   output   
1    0        3       21   [1,2,3,4]   see_function
2    5        3.      22   [2,2,3,4]   see_function

I am defining the weighted mean function as follows:
# lambda function to compute the weighted mean:
r = 0.5
a = 1.0
wm = lambda x: np.average(x, weights=[a * r ** i for i in range(len(x))].reverse())

df['output'] = df['weeks'].apply(wm, axis=1)

尽管如此，我的做法是错误的，因为它每周（无论是否重复）都完全相同。我试图找到一个聪明的解决方案，可以区分周是否重复，从而不分配虚构的权重。

我发布的加权平均值假设一个恒定的半衰期，它仅取决于测量的长度，并没有考虑我想要的。假设周数是 {2: 2, 3:1, 4:1}，那么我会以某种方式利用出现的频率来调整我的加权平均值，以便比现在更关注最近的事件

Answer 1

如果您想从周列表中删除重复项，则可以执行以下操作并在数据框和 cal 中添加新列。你加权平均。在它之上。

df = pd.DataFrame({'id':[1,4],'weeks':[[1,2,3,4],[2,2,3,4]]})
df['DistinctWeeks']=df['weeks'].apply(lambda x : list(set(x)))

输出：