我使用的熊猫非常有效地排序/过滤了他们所需的数据。
这段代码运行良好，直到我将最后一列更改为复数为止。现在我得到一个错误。
返回self._cython_agg_general（’mean’）引发DataError（’没有要聚合的数字类型’）pandas.core.groupby.DataError：没有要聚合的数字类型
该错误涉及我的第八列（带有复数），因为我想要平均值，所以我找不到将对象转换为复数的方法（据我了解，熊猫现在支持复数）。
这是我使用的代码。
import numpy as np import pandas as pd df = pd.read_csv('final.dat', sep=",", header=None) df.columns=['X.1', 'X.2', 'X.3', 'X.4','X.5', 'X.6', 'X.7', 'X.8'] df1 = df.groupby(["X.1","X.2","X.5"])["X.8"].mean().reset_index()
之后，我得到上述错误。
当我读取文件时，这是df输出。
<class 'pandas.core.frame.DataFrame'> Int64Index: 21266 entries, 0 to 21265 Data columns (total 8 columns): X.1 21266 non-null values X.2 21266 non-null values X.3 21266 non-null values X.4 21266 non-null values X.5 21266 non-null values X.6 21266 non-null values X.7 21266 non-null values X.8 21266 non-null values dtypes: float64(4), int64(3), object(1)
这是输入文件的一小部分。
解析不支持直接读取Complex，因此以下转换也是如此。
In [37]: df['X.8'] = df['X.8'].str.replace('i','j').apply(lambda x: np.complex(x)) In [38]: df Out[38]: X.1 X.2 X.3 X.4 X.5 X.6 X.7 X.8 0 564991.15 7371277.89 0 1 1530 0.1 2 (92.289+151.96j) 1 564991.15 7371277.89 0 1 8250 0.1 2 (104.22-43.299j) 2 564991.15 7371277.89 0 1 20370 0.1 2 (78.76-113.52j) 3 564991.15 7371277.89 0 1 33030 0.1 2 (27.141-154.1j) 4 564991.15 7371277.89 0 1 47970 0.1 2 (-30.012-175j) 5 564991.15 7371277.89 0 1 63090 0.1 2 (-118.52-342.43j) 6 564991.15 7371277.89 0 1 93090 0.1 2 (-321.02-1541.5j) 7 564991.15 7371277.89 0 2 1530 0.1 2 (118.73+154.05j) 8 564991.15 7371277.89 0 2 8250 0.1 2 (122.13-45.571j) 9 564991.15 7371277.89 0 2 20370 0.1 2 (93.014-116.03j) 10 564991.15 7371277.89 0 2 33030 0.1 2 (38.56-155.08j) 11 564991.15 7371277.89 0 2 47970 0.1 2 (-20.653-173.83j) 12 564991.15 7371277.89 0 2 63090 0.1 2 (-118.41-340.58j) 13 564991.15 7371277.89 0 2 93090 0.1 2 (-378.71-1554j) 14 564990.35 7371279.17 0 1785 1530 0.1 2 (-15.441+118.3j) 15 564990.35 7371279.17 0 1785 8250 0.1 2 (-7.1735-76.487j) 16 564990.35 7371279.17 0 1785 20370 0.1 2 (-33.847-145.99j) 17 564990.35 7371279.17 0 1785 33030 0.1 2 (-86.035-185.46j) 18 564990.35 7371279.17 0 1785 47970 0.1 2 (-143.37-205.23j) 19 564990.35 7371279.17 0 1785 63090 0.1 2 (-234.67-370.43j) 20 564990.35 7371279.17 0 1785 93090 0.1 2 (-458.69-1561.4j) 21 564990.36 7371279.17 0 1786 1530 0.1 2 (36.129+128.4j) 22 564990.36 7371279.17 0 1786 8250 0.1 2 (39.406-69.607j) 23 564990.36 7371279.17 0 1786 20370 0.1 2 (10.495-139.48j) 24 564990.36 7371279.17 0 1786 33030 0.1 2 (-43.535-178.19j) 25 564990.36 7371279.17 0 1786 47970 0.1 2 (-102.28-196.76j) 26 564990.36 7371279.17 0 1786 63090 0.1 2 (-199.32-362.1j) 27 564990.36 7371279.17 0 1786 93090 0.1 2 (-458.09-1565.6j) In [39]: df.dtypes Out[39]: X.1 float64 X.2 float64 X.3 float64 X.4 int64 X.5 int64 X.6 float64 X.7 int64 X.8 complex128 dtype: object In [40]: df1 = df.groupby(["X.1","X.2","X.5"])["X.8"].mean().reset_index() In [41]: df.groupby(["X.1","X.2","X.5"])["X.8"].mean().reset_index() Out[41]: X.1 X.2 X.5 X.8 0 564990.35 7371279.17 1530 (-15.441+118.3j) 1 564990.35 7371279.17 8250 (-7.1735-76.487j) 2 564990.35 7371279.17 20370 (-33.847-145.99j) 3 564990.35 7371279.17 33030 (-86.035-185.46j) 4 564990.35 7371279.17 47970 (-143.37-205.23j) 5 564990.35 7371279.17 63090 (-234.67-370.43j) 6 564990.35 7371279.17 93090 (-458.69-1561.4j) 7 564990.36 7371279.17 1530 (36.129+128.4j) 8 564990.36 7371279.17 8250 (39.406-69.607j) 9 564990.36 7371279.17 20370 (10.495-139.48j) 10 564990.36 7371279.17 33030 (-43.535-178.19j) 11 564990.36 7371279.17 47970 (-102.28-196.76j) 12 564990.36 7371279.17 63090 (-199.32-362.1j) 13 564990.36 7371279.17 93090 (-458.09-1565.6j) 14 564991.15 7371277.89 1530 (105.5095+153.005j) 15 564991.15 7371277.89 8250 (113.175-44.435j) 16 564991.15 7371277.89 20370 (85.887-114.775j) 17 564991.15 7371277.89 33030 (32.8505-154.59j) 18 564991.15 7371277.89 47970 (-25.3325-174.415j) 19 564991.15 7371277.89 63090 (-118.465-341.505j) 20 564991.15 7371277.89 93090 (-349.865-1547.75j)
