我正试图使用pandas数据帧分析几个星期内测量“X”的平均每日波动,但是时间戳/日期时间等被证明是特别可怕的。花了好几个小时试图解决这个问题,我的代码变得越来越混乱,我不认为我已经接近一个解决方案,希望这里有人能引导我朝着正确的方向。
我在不同的时间和不同的日期测量了X,将每日结果保存到一个数据框中,该数据框的格式为:
Timestamp(datetime64) X
0 2015-10-05 00:01:38 1
1 2015-10-05 06:03:39 4
2 2015-10-05 13:42:39 3
3 2015-10-05 22:15:39 2
随着测量时间的日复一日的变化,我决定使用binning来组织数据,然后计算出每个bin的平均值和STD,然后我可以绘制出来。我的想法是创建一个最终的数据框架,其中包含容器和测量值X的平均值,“观察”列只是为了帮助理解:
Time Bin Observations <X>
0 00:00-05:59 [ 1 , ...] 2.3
1 06:00-11:59 [ 4 , ...] 4.6
2 12:00-17:59 [ 3 , ...] 8.5
3 18:00-23:59 [ 2 , ...] 3.1
然而,我遇到了时间、日期时间、日期时间64、时间增量和使用pd.cut和pd.groupby的binning之间不兼容的困难,基本上我觉得我是在暗中捅刀子,不知道如何“正确”地解决这个问题。我能想到的唯一解决方案是通过数据帧逐行迭代,但我真的希望避免这样做。
我不确定我是否有最好的答案,但我认为它仍然有效。
首先,我将使用以下示例将
datetime64
转换为datetime
: Converting between datetime, Timestamp and datetime64然后,如果我们假设您的第一列有
datetime
,并被称为TimeStamp
,我将执行如下操作:以
X
作为列的名称。我发现Mathiou的回答对我的目的很有帮助,但修改如下:
每当我将时间序列数据按一个时间范围(这似乎是您在这里所做的)进行分类时,我只需创建一个“一天中的一小时”列并对其进行切片。另外,我通常将索引设置为datetime值……尽管这里不需要这样做。
我认为这里有一种使用df.resample的方法,但是对于时间序列中定义不明确的起点/终点,我认为这可能比上面的方法需要更多的关注。
这是你想要的吗?
相关问题 更多 >
编程相关推荐