Question

我正在使用数据集，我有时间和几个人的集中不同种类的微生物有重复，所以它只是一个时间列和一堆数字为了这个问题。我正在测量每两个小时，有时我会连续两次测量这些测量的时间戳彼此非常相似。对于那些类似的时间戳，我想取所有的两行的平均值列并将这些平均值返回到两个值所在的新数据框中之前被放置了。

这是数据框的样子。时间戳已转换为数值因为相对时间/日期无关紧要。你可以看到一个我所谈论的例子，在那里有两个非常相似的时间第9和第10指数

      Time        A1       A2       A3
 0    0.000069    118.0    108.0    70.0
 1    0.087049    189.0    54.0     89.0
 2    0.156551    154.0    122.0    107.0
 3    0.721516    129.0    148.0    148.0
 4    0.789329    143.0    162.0    212.0
 5    0.882743    227.0    229.0    149.0
 6    0.964907    208.0    255.0    241.0
 7    1.041424    200.0    241.0    222.0
 8    1.731806    733.0    838.0    825.0
 9    1.794340    804.0    996.0    954.0
10    1.794769    861.0    987.0    1138.0

将时间列中的数字四舍五入到合理的值似乎很明显，我可以使用groupby()函数（如果我真的需要将它们分组）和然后平均＆＃34;重复＆＃34;价值观，但我走上了一条新的哲学道路我想在哪里使用pandas iterrows()函数来完成行，1乘1，并比较每两个连续行并应用条件他们达到了同样的效果。我已经到达了类似这样的东西没有错误代码，但似乎没有做任何事情。

for i, row in df.iterrows():
    row2 = row + 1 #I feel like this line is the crux of the problem
    if row2.Time - row.Time >= 0.1:
        row = (row2 + row)/2
    else:
        row = row

出于好奇，我很想知道哪个更快，小组和平均方式或for循环和平均方式。也许那里有一个漂亮的兰巴功能方式也这样做？我已经广泛搜索过这种类型的事情，我很乐意看到你们都能想到的东西。

干杯

Answer 1

以下是一些常规提示：

首选python for循环的矢量化计算。例如，调用df['Time'].diff()比在循环中计算row2['Time'] - row1['Time']要快得多。向量化计算将始终超过for循环计算，以获得足够大的N，其中N是for-loop所需的迭代次数。
Prefer column-based operations基于行的操作
在较小阵列上的许多操作中，希望减少对大型阵列的操作。

作为原理的演示，请考虑这两种计算所需结果的不同方法：

import numpy as np
import pandas as pd

df = pd.DataFrame({'A1': [118.0, 189.0, 154.0, 129.0, 143.0, 227.0, 208.0, 200.0, 733.0, 804.0, 861.0], 'A2': [108.0, 54.0, 122.0, 148.0, 162.0, 229.0, 255.0, 241.0, 838.0, 996.0, 987.0], 'A3': [70.0, 89.0, 107.0, 148.0, 212.0, 149.0, 241.0, 222.0, 825.0, 954.0, 1138.0], 'Time': [6.8999999999999997e-05, 0.087049000000000001, 0.156551, 0.72151599999999994, 0.78932899999999995, 0.88274300000000006, 0.96490699999999996, 1.0414239999999999, 1.7318060000000002, 1.79434, 1.7947689999999998]}) 

def using_loop(df):
    for i in range(len(df)-1):
        row1, row2 = df.iloc[i], df.iloc[i+1]
        if row2['Time'] - row1['Time'] >= 0.1:
            df.iloc[i] = (row2 + row1)/2
    return df

def using_column_based_operations(df):
    mask = df['Time'].diff() >= 0.1
    prior = mask.shift(-1).fillna(False)
    df.loc[prior] = (df.loc[mask].values+df.loc[prior].values)/2
    return df

In [220]: using_loop(df).equals(using_column_based_operations(df))
Out[220]: True

以下是使用IPython的%%timeit函数的基准测试，当using_column_based_operations为10 ** 4时，using_loop显示nrows比nrows快数千倍。随着using_column_based_operations的增加，In [216]: nrows, ncols = 10**4, 4 In [217]: %%timeit df = pd.DataFrame(np.random.random((nrows, ncols)), columns=['Time', 'A1', 'A2', 'A3']) .....: using_loop(df) .....: 1 loop, best of 3: 3.02 s per loop In [218]: %%timeit df = pd.DataFrame(np.random.random((nrows, ncols)), columns=['Time', 'A1', 'A2', 'A3']) .....: using_column_based_operations(df) .....: 1000 loops, best of 3: 1.91 ms per loop的速度优势会增加。

addEventListener

根据Python Pandas中的条件减去两行

1 个答案: