我试图找出在一段时间内是否满足某些条件。我的数据如下所示：
| 日期时间 | Valve1 | Valve2 |
|---|---|---|
| 01/01/2020 11:00:01 | 1 | 0 |
| 01/01/2020 11:00:15 | 1 | 0 |
| 01/01/2020 11:30:00 | 1 | 0 |
| 01/01/2020 11:30:45 | 1 | 0 |
| 01/01/2020 12:00:10 | 1 | 0 |
| 01/01/2020 12:15:00 | 1 | 1 |
| 01/01/2020 12:15:30 | 1 | 0 |
| 01/01/2020 12:16:45 | 1 | 0 |
| 01/01/2020 13:17:00 | 1 | 0 |
| 01/01/2020 13:20:15 | 1 | 0 |
| 01/01/2020 13:21:30 | 1 | 0 |
| 01/01/2020 13:45:08 | 1 | 0 |
| 01/01/2020 14:00:00 | 0 | 1 |
| 01/01/2020 14:01:15 | 0 | 1 |
| 01/01/2020 14:30:00 | 0 | 1 |
还有我的情况： (Valve1=1 for 1h) 和 (Valve-0 for 1h) 我想到使用滚动总和如下：
data = data.set_index('Datetime', drop=True)
data.loc[((data.Valve1.rolling('1h').sum())==?) & ((data.Valve2.rolling('1h').sum())==0), 'alarm'] = 'Yes'
最终数据帧不应重新采样或包含任何内插/填充值。 [注意]：任何缺失的日期时间都会得到与之前可用的日期时间相同的 Valve1 和 Valve2
最终结果如下：
| 日期时间 | Valve1 | Valve2 | 报警 |
|---|---|---|---|
| 01/01/2020 11:00:01 | 1 | 0 | |
| 01/01/2020 11:00:15 | 1 | 0 | |
| 01/01/2020 11:30:00 | 1 | 0 | |
| 01/01/2020 11:30:45 | 1 | 0 | |
| 01/01/2020 12:00:10 | 1 | 0 | 是 |
| 01/01/2020 12:15:00 | 1 | 1 | |
| 01/01/2020 12:15:30 | 1 | 0 | |
| 01/01/2020 12:16:45 | 1 | 0 | |
| 01/01/2020 13:17:00 | 1 | 0 | 是 |
| 01/01/2020 13:20:15 | 1 | 0 | 是 |
| 01/01/2020 13:21:30 | 1 | 0 | 是 |
| 01/01/2020 13:45:08 | 1 | 0 | 是 |
| 01/01/2020 14:00:00 | 0 | 1 | |
| 01/01/2020 14:01:15 | 0 | 1 | |
| 01/01/2020 14:30:00 | 0 | 1 |
答案 0 :(得分：1)
你说你不能重新采样你的数据，你可以这样做；
>>> temp_df = pd.concat([df.copy().iloc[0, :].to_frame().T, df.copy()], axis=0, ignore_index=True)
# added this line to add initialization effect
>>> temp_df.loc[0, ['Valve1', 'Valve2']] = [0, 1]
>>> temp_df['alarm'] = temp_df.Valve1.eq(1) & temp_df.Valve2.eq(0)
>>> df['alarm'] = temp_df.set_index('Datetime').rolling('1h').agg({'alarm': pd.Series.product}).replace({1: 'Yes', 0: 'No'})[1:].values
>>> df
Datetime Valve1 Valve2 alarm
0 2020-01-01 11:00:01 1 0 No
1 2020-01-01 11:00:15 1 0 No
2 2020-01-01 11:30:00 1 0 No
3 2020-01-01 11:30:45 1 0 No
4 2020-01-01 12:00:10 1 0 Yes
5 2020-01-01 12:15:00 1 1 No
6 2020-01-01 12:15:30 1 0 No
7 2020-01-01 12:16:45 1 0 No
8 2020-01-01 13:17:00 1 0 Yes
9 2020-01-01 13:20:15 1 0 Yes
10 2020-01-01 13:21:30 1 0 Yes
11 2020-01-01 13:45:08 1 0 Yes
12 2020-01-01 14:00:00 0 1 No
13 2020-01-01 14:01:15 0 1 No
14 2020-01-01 14:30:00 0 1 No
现在应该可以了。
答案 1 :(得分：0)
groupby() date() 和 hourmerge() 返回您的数据框df = pd.read_csv(io.StringIO("""Datetime Valve1 Valve2
01/01/2020 11:00:01 1 0
01/01/2020 11:00:15 1 0
01/01/2020 11:30:00 1 0
01/01/2020 11:30:45 1 0
01/01/2020 12:00:10 1 1
01/01/2020 12:15:00 1 1
01/01/2020 12:15:30 1 1
01/01/2020 12:16:45 0 1
01/01/2020 13:17:00 1 0
01/01/2020 13:20:15 1 0
01/01/2020 13:21:30 1 0
01/01/2020 13:45:08 1 0
01/01/2020 14:00:00 0 1
01/01/2020 14:01:15 0 1
01/01/2020 14:30:00 0 1
"""), sep="\t")
df.Datetime = pd.to_datetime(df.Datetime)
dfr = df.groupby([df.Datetime.dt.date, df.Datetime.dt.hour]).apply(lambda dfa: ((dfa.Valve1==1) & (dfa.Valve1==1)).all())
df = (df.merge(dfr.to_frame(), left_on=[df.Datetime.dt.date, df.Datetime.dt.hour], right_index=True)
.drop(columns=["key_0","key_1"])
.rename(columns={0:"Cond"})
)
| 日期时间 | Valve1 | Valve2 | 条件 | |
|---|---|---|---|---|
| 0 | 2020-01-01 11:00:01 | 1 | 0 | 真 |
| 1 | 2020-01-01 11:00:15 | 1 | 0 | 真 |
| 2 | 2020-01-01 11:30:00 | 1 | 0 | 真 |
| 3 | 2020-01-01 11:30:45 | 1 | 0 | 真 |
| 4 | 2020-01-01 12:00:10 | 1 | 1 | 假 |
| 5 | 2020-01-01 12:15:00 | 1 | 1 | 假 |
| 6 | 2020-01-01 12:15:30 | 1 | 1 | 假 |
| 7 | 2020-01-01 12:16:45 | 0 | 1 | 假 |
| 8 | 2020-01-01 13:17:00 | 1 | 0 | 真 |
| 9 | 2020-01-01 13:20:15 | 1 | 0 | 真 |
| 10 | 2020-01-01 13:21:30 | 1 | 0 | 真 |
| 11 | 2020-01-01 13:45:08 | 1 | 0 | 真 |
| 12 | 2020-01-01 14:00:00 | 0 | 1 | 假 |
| 13 | 2020-01-01 14:01:15 | 0 | 1 | 假 |
| 14 | 2020-01-01 14:30:00 | 0 | 1 | 假 |