FutureWarning: Dropping invalid columns in DataFrameGroupBy.mean is deprecated. In a future version, a TypeError will be raised. Before calling .mean, select only columns which should be valid for the function.

这个警告是由于在groupby之后，对数据进行了聚合操作，但是有些列不能被聚合，因此被忽略掉了。在将来的版本中，这些无效的列会导致TypeError异常的抛出。为了避免这个警告和将来的异常，我们需要在进行聚合操作之前，先将需要聚合的列筛选出来，例如：

import pandas as pd

# 创建数据集
data = pd.DataFrame({'group':['A', 'B', 'C', 'A', 'B', 'C'],
                     'value':[1, 2, 3, 4, 5, 6],
                     'other_column':[7, 8, 9, 10, 11, 12]})

# 按照group列进行分组，并求每组的平均值
grouped_data = data.groupby('group')['value'].mean()

# 打印分组后的结果
print(grouped_data)

输出结果为：

group
A    2.5
B    3.5
C    4.5
Name: value, dtype: float64

上面的代码中，我们在进行groupby之前，先将需要聚合的列筛选出来，即`data.groupby('group')['value']`，然后再使用mean函数进行聚合操作，这样就避免了警告和将来的异常。

相关问题

FutureWarning: Dropping of nuisance columns in DataFrame reductions (with 'numeric_only=None') is deprecated; in a future version this will raise TypeError. Select only valid columns before calling the reduction. inputs = inputs.fillna(inputs.mean())

这是一个警告信息，意思是在DataFrame的缩减操作中，如果不指定numeric_only参数，将来会出现TypeError错误。建议在进行缩减操作之前，先选择有效的列。在本段代码中，inputs.fillna(inputs.mean())的作用是用列的平均值填充缺失值。如果您想避免这个警告，可以在缩减操作之前选择有效的列，或者在缩减操作中指定numeric_only参数。

# 导入数据集 data = pd.read_csv("pima.csv") # 确定目标变量和特征变量 target_col = ["Outcome"] cat_cols = data.nunique()[data.nunique() < 12].keys().tolist() cat_cols = [x for x in cat_cols] # numerical columns num_cols = [x for x in data.columns if x not in cat_cols + target_col] # Binary columns with 2 values bin_cols = data.nunique()[data.nunique() == 2].keys().tolist() # Columns more than 2 values multi_cols = [i for i in cat_cols if i not in bin_cols] # Label encoding Binary columns le = LabelEncoder() for i in bin_cols: data[i] = le.fit_transform(data[i]) # Duplicating columns for multi value columns data = pd.get_dummies(data=data, columns=multi_cols) # Scaling Numerical columns std = StandardScaler() scaled = std.fit_transform(data[num_cols]) scaled = pd.DataFrame(scaled, columns=num_cols) # dropping original values merging scaled values for numerical columns df_data_og = data.copy() data = data.drop(columns=num_cols, axis=1) data = data.merge(scaled, left_index=True, right_index=True, how="left")

这段代码是用来对一个名为 "pima.csv" 的数据集进行数据预处理的，其中包含了以下步骤：

1. 载入数据集并确定目标变量和特征变量；
2. 将特征变量分为二分类特征、多分类特征和数值型特征三类；
3. 对二分类特征进行标签编码（将其转换为数字）；
4. 对多分类特征进行独热编码（将其转换为多个二分类特征）；
5. 对数值型特征进行标准化（使其均值为0，方差为1）；
6. 将原始的特征变量删除，并将标准化后的数值型特征与编码后的特征变量合并。

这些步骤的目的是为了让数据集更加适合用于机器学习算法的训练和测试，从而提高模型的准确性和泛化能力。