mean scores

[binomaiheu]

Ik ben niet helemaal mee wat hier de bedoeling van is :

data_score_neg = []
data_score_pos = []

for i in range(0, 0 + len(train_V2)):
    score_neg = 0
    score_pos = 0
    nbr_score_neg = 0
    nbr_score_pos = 0
    for score in score_pos_features:
        if not(pd.isnull(train_V2.loc[i,score])):
            score_pos += train_V2.loc[i,score]
            nbr_score_pos += 1
    for score in score_neg_features:
        if not(pd.isnull(train_V2.loc[i,score])):
            score_neg += train_V2.loc[i,score]
            nbr_score_neg += 1
    if nbr_score_neg != 0:
        data_score_neg.append(score_neg / nbr_score_neg)
    else:
        data_score_neg.append(np.nan)
    if nbr_score_pos != 0:
        data_score_pos.append(score_pos / nbr_score_pos)
    else:
        data_score_pos.append(np.nan)
train_V2.insert(train_V2.shape[1], 'mean_score_pos',  data_score_pos)
train_V2.insert(train_V2.shape[1], 'mean_score_neg',  data_score_neg)

is dat niet zelfde als :

train_V2["score_pos"] = train_V2[["score1_pos", "score2_pos", "score3_pos", "score4_pos", "score5_pos"]].mean(axis=1)
train_V2["score_neg"] = train_V2[["score1_neg", "score2_neg", "score3_neg", "score4_neg", "score5_neg_uniform"]].mean(axis=1)

??

Die .mean(axis=1) op einde houdt rekening met pd.NA dacht ik. @Marijkevandesteene @dluts, en het expliciet berekenen van de gemiddelden op deze manier is geen echt goed idee voor performantie. Zo weinig mogelijk for loops gebruiken in pandas, altijd proberen gevectoriseerde routines te gebruiken.

[Marijkevandesteene]

Dat was inderdaad de bedoeling. Ik ken de statistics functies in python niet. Ik sluit dit ticket. We nemen idd best de .mean() functie