我正在尝试同时执行行和列操作。我有时间序列的数据。我确实在这里和文档中检查了几乎所有的例子，但没有太多的运气，而且比以前更加困惑。
我在同一路径中有两个文件
col[last]在执行以下操作时，预期输出正在将file_1.csv file_2.csv个Nos=123计数合并为3：
在file_2.csv中取624/3 = 208次00:00:00次的值，然后除以相应的值Nos。
现在通过在新列中添加与col[last]相对应的同一行file_1.csv的值来添加此新值，该列的标题为208+20=228 file_2.csv 。即File_2.csv
Nos,00:00:00,12:00:00
123,20,228
123,20,228
123,20,228
125,50,82/83 #float to be rounded off
125,50,82/83
567,500,2004 #float rounded off
567,500,2004
567,500,2004
567,500,2004
567,500,2004
现在附加的for (i = 0; i < n; i++)
{
for (int j = i + 1; j < n; j++) // <--- Change here
{
...
}
}
看起来像是：
$(document).ready(function(){
//It will only run when the browser has the image's loaded height
$('.listingImage1 img').load(function() {
$('.listing .listingContent').height($('.listingImage1 img').height() + 50);
})
});
从哪里开始，这看起来非常复杂。任何有关编写代码的建议都将是巨大的帮助。提前致谢。
答案 0 :(得分：1)
将两个数据帧合并为一个：
In [34]: df3 = pd.merge(df2, df1[['Nos', '12:00:00']], on=['Nos'], how='left')
In [35]: df3
Out[35]:
Nos 00:00:00 12:00:00
0 123 20 624
1 123 20 624
2 123 20 624
3 125 50 65
4 125 50 65
5 567 500 7522
6 567 500 7522
7 567 500 7522
8 567 500 7522
9 567 500 7522
然后您可以执行groupby/transform来计算每组中有多少项：
count = df3.groupby(['Nos'])['12:00:00'].transform('count')
您希望计算的值可以表示为
df3['12:00:00'] = df3['00:00:00'] + df3['12:00:00']/count
例如，
import pandas as pd
df1 = pd.read_csv('File_1.csv')
df2 = pd.read_csv('File_2.csv')
last1, last2 = df1.columns[-1], df2.columns[-1]
df3 = pd.merge(df2, df1[['Nos', last1]], on=['Nos'], how='left')
count = df3.groupby(['Nos'])[last1].transform('count')
df3[last1] = df3[last2] + df3[last1]/count
print(df3)
产量
Nos 00:00:00 12:00:00
0 123 20 228.0
1 123 20 228.0
2 123 20 228.0
3 125 50 82.5
4 125 50 82.5
5 567 500 2004.4
6 567 500 2004.4
7 567 500 2004.4
8 567 500 2004.4
9 567 500 2004.4
或者，您可以使用
df3[last1] = df3.groupby(['Nos']).apply(lambda x: x[last2] + x[last1]/len(x) ).values
而不是
count = df3.groupby(['Nos'])[last1].transform('count')
df3[last1] = df3[last2] + df3[last1]/count
然而，由于groupby/apply正在为每个组进行一次加法和除法，因此速度较慢，而
df3[last1] = df3[last2] + df3[last1]/count
正在对整列执行添加和除法。如果有很多组，性能上的差异可能很大。将两个数据帧合并为一个：
In [34]: df3 = pd.merge(df2, df1[['Nos', '12:00:00']], on=['Nos'], how='left')
In [35]: df3
Out[35]:
Nos 00:00:00 12:00:00
0 123 20 624
1 123 20 624
2 123 20 624
3 125 50 65
4 125 50 65
5 567 500 7522
6 567 500 7522
7 567 500 7522
8 567 500 7522
9 567 500 7522
然后您可以执行groupby/transform来计算每组中有多少项：
count = df3.groupby(['Nos'])['12:00:00'].transform('count')
您希望计算的值可以表示为
df3['12:00:00'] = df3['00:00:00'] + df3['12:00:00']/count
例如，
import pandas as pd
df1 = pd.read_csv('File_1.csv')
df2 = pd.read_csv('File_2.csv')
last1, last2 = df1.columns[-1], df2.columns[-1]
df3 = pd.merge(df2, df1[['Nos', last1]], on=['Nos'], how='left')
count = df3.groupby(['Nos'])[last1].transform('count')
df3[last1] = df3[last2] + df3[last1]/count
print(df3)
产量
Nos 00:00:00 12:00:00
0 123 20 228.0
1 123 20 228.0
2 123 20 228.0
3 125 50 82.5
4 125 50 82.5
5 567 500 2004.4
6 567 500 2004.4
7 567 500 2004.4
8 567 500 2004.4
9 567 500 2004.4
或者，您可以使用
df3[last1] = df3.groupby(['Nos']).apply(lambda x: x[last2] + x[last1]/len(x) ).values
而不是
count = df3.groupby(['Nos'])[last1].transform('count')
df3[last1] = df3[last2] + df3[last1]/count
然而，由于groupby/apply正在为每个组进行一次加法和除法，因此速度较慢，而
df3[last1] = df3[last2] + df3[last1]/count
正在对整列执行添加和除法。如果有很多组，性能差异可能很大：
In [52]: df3 = pd.concat([df3]*1000)
In [56]: df3['Nos'] = np.random.randint(1000, size=len(df3))
In [57]: %timeit using_transform(df3)
100 loops, best of 3: 6.49 ms per loop
In [58]: %timeit using_apply(df3)
1 loops, best of 3: 270 ms per loop