Question

我想从[{1}}按行计算mean和standard deviation的{{1}}和timedelta，其中两列如下所示。当我运行代码（也显示如下）时，我得到以下错误：

dataframe

我的数据框：

pandas.core.base.DataError: No numeric types to aggregate

我的代码：

   bank                          diff
   Bank of Japan                 0 days 00:00:57.416000
   Reserve Bank of Australia     0 days 00:00:21.452000
   Reserve Bank of New Zealand  55 days 12:39:32.269000
   U.S. Federal Reserve          8 days 13:27:11.387000

Answer 1

您需要将timedelta转换为某个数字值，例如int64 values最准确的是什么，因为转换为ns是timedelta的数字表示形式：

dropped['new'] = dropped['diff'].values.astype(np.int64)

means = dropped.groupby('bank').mean()
means['new'] = pd.to_timedelta(means['new'])

std = dropped.groupby('bank').std()
std['new'] = pd.to_timedelta(std['new'])

另一种解决方案是将值seconds转换为dropped['new'] = dropped['diff'].dt.total_seconds() means = dropped.groupby('bank').mean()，但这不太准确：

{{1}}

Answer 2

无需来回转换timedelta。 Numpy和Pandas可以更快地为您无缝完成此操作。使用您的dropped DataFrame：

import numpy as np

grouped = dropped.groupby('bank')['diff']

mean = grouped.apply(lambda x: np.mean(x))
std = grouped.apply(lambda x: np.std(x))

Answer 3

熊猫mean()和其他聚合方法支持numeric_only=False参数。

dropped.groupby('bank').mean(numeric_only=False)

在这里找到：Aggregations for Timedelta values in the Python DataFrame

Answer 4

我建议按照亚历山大·乌西科夫（Alexander Usikov）的说法，将numeric_only=False参数传递给mean-这适用于0.20+版本的熊猫。

如果您使用的是旧版本，则可以进行以下操作：

import pandas pd

df = pd.DataFrame({
    'td': pd.Series([pd.Timedelta(days=i) for i in range(5)]),
    'group': ['a', 'a', 'a', 'b', 'b']
})

(
    df
    .astype({'td': int})         # convert timedelta to integer (nanoseconds)
    .groupby('group')
    .mean()
    .astype({'td': 'timedelta64[ns]'})
)

查找pandas df中timedelta对象的均值和标准差

4 个答案: