pandas 如何对上千万数据分组“快速”取第一行和最后一行

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了pandas 如何对上千万数据分组“快速”取第一行和最后一行相关的知识,希望对你有一定的参考价值。

参考技术A df.iloc[0]
df.iloc[-1]

如何使用带有 Pandas 的时间戳按小时对数据帧进行分组

【中文标题】如何使用带有 Pandas 的时间戳按小时对数据帧进行分组【英文标题】:How to group dataframe by hour using timestamp with Pandas 【发布时间】:2018-08-15 20:35:53 【问题描述】:

我有以下使用时间戳索引的数据帧结构:

    neg neu norm    pol pos date
time                        
1520353341  0.000   1.000   0.0000  0.000000    0.000   
1520353342  0.121   0.879   -0.2960 0.347851    0.000   
1520353342  0.217   0.783   -0.6124 0.465833    0.000   

我根据时间戳创建一个日期:

data_frame['date'] = [datetime.datetime.fromtimestamp(d) for d in data_frame.time]

结果:

    neg neu norm    pol pos date
time                        
1520353341  0.000   1.000   0.0000  0.000000    0.000   2018-03-06 10:22:21
1520353342  0.121   0.879   -0.2960 0.347851    0.000   2018-03-06 10:22:22
1520353342  0.217   0.783   -0.6124 0.465833    0.000   2018-03-06 10:22:22

我想按小时分组,同时获取除时间戳之外的所有值的平均值,这应该是小时小组开始的地方。所以这是我要归档的结果:

    neg neu norm    pol pos
time                    
1520352000  0.027989    0.893233    0.122535    0.221079    0.078779
1520355600  0.028861    0.899321    0.103698    0.209353    0.071811

到目前为止,我最接近的是answer:

data = data.groupby(data.date.dt.hour).mean()

结果:

    neg neu norm    pol pos
date                    
0   0.027989    0.893233    0.122535    0.221079    0.078779
1   0.028861    0.899321    0.103698    0.209353    0.071811

但我不知道如何保留考虑到 grouby 开始的时间的时间戳。

【问题讨论】:

【参考方案1】:

您是否尝试通过以下方式创建小时列:

data_frame['hour'] = data_frame.date.dt.hour

然后按小时分组:

data = data.groupby(data.hour).mean()

【讨论】:

是的,这给了我和我现在一样的结果。问题是保持/生成小时开始的时间戳。【参考方案2】:

您可以将时间戳列向下舍入到最接近的小时:

import math
df.time = [math.floor(t/3600) * 3600 for t in df.time]

或者更简单,使用整数除法:

df.time = [(t//3600) * 3600 for t in df.time]

您可以按此列分组,从而保留时间戳。

【讨论】:

我怎么没想到这个?这完美地工作,这样一个简单而优雅的解决方案。谢谢!【参考方案3】:

在我发布了我的按小时计算的解决方案后,我偶然发现了这个宝石,pd.DataFrame.resample

# Construct example dataframe
times = pd.date_range('1/1/2018', periods=5, freq='25min')
values = [4,8,3,4,1]
df = pd.DataFrame('val':values, index=times)

# Resample by hour and calculate medians
df.resample('H').median()

如果您不想将时间作为索引,也可以使用 groupbyGrouper

df = pd.DataFrame('val':values, 'times':times)
df.groupby(pd.Grouper(level='times', freq='H')).median()

【讨论】:

非常简洁的答案

以上是关于pandas 如何对上千万数据分组“快速”取第一行和最后一行的主要内容,如果未能解决你的问题,请参考以下文章

pandas取列值转化为列表

pandas如何对value列数据进行分组groupby?

Python pandas:对分组的第一行和最后一行应用操作并将结果添加为列的最佳方法是啥?

Java 对数据分组

python--pandas分组聚合

Pandas:如何按一组序数值对数据框进行分组?