Python Pandas Binning

Question

Apologies für jede Unklarheit ... Ich bin hier, um die Entsendung ....

Ich arbeite mit Pandas auf einem Datenrahmen, und ich würde jede Eingabe von der Gemeinschaft zu schätzen wissen. Hier ist, was der Datenrahmen wie ... ... sieht hier siehe Screenshot

screenshot of the data frame structure

mein Ziel ist es, einen unabhängigen Datenrahmen, die im Durchschnitt x und y in Bins separat basierend auf T-Schritten von 5 ... zu schaffen ..

Beispiel ... .. für T im Bereich 0-5 => Durchschnittswerte x, y Werte in x1bin, y1bin, dann für T im Bereich 5-10 => Durchschnittswerte x, y Werte in x2bin, y2bin ... ... ..für T im Bereich 10-15 => mittlere x, y Werte in x3bin, y3bin ......... und erhöhe den Wert bis t in tan135-140. In der Zwischenzeit indexieren die Daten zu ID ... .beeindruckend Daten, die zu ID mit ID eins gehören. Wie Sie vielleicht bemerkt haben, wird es einige Fächer mit NAN-Werten geben, weil es entsprechende Ts gibt, und das ist in Ordnung .......

Schließlich könnte es hilfreich sein, die Art, wie ich die T berechnet wissen ......, die eine Walzzeit von A pro ID passiert sein ...... .und beginnt bei 0 mit jeder neuen ID

df [ 'T '] = df.groupby ([' ID ']) .Apply (Lambda x: x - x.iloc [0])/np.timedelta64 (1,' m ')

Vielen Dank im Voraus ... .

Answer 1

vorausgesetzt df als Datenrahmen

t_range = 5 
t_ranges = np.arange(0,df['T'].max()+1,t_range) 
new_df = pd.DataFrame(columns=['t_range','x_avg','y_avg']) 
for i in range(1,len(t_ranges)): 
    a = df[df['T']>=t_ranges[i-1]][df['T']<t_ranges[i]] 
    x_avg = a['X'].mean() 
    y_avg = a['Y'].mean() 
    new_df = new_df.append({'t_range':t_range[i],'x_avg':x_avg,'y_avg:y_avg},ignore_index=True) 

Beispieldaten df

T X Y 
0 1 2 3 
1 2 3 4 
2 3 4 5 
3 4 5 6 
4 5 6 7 
5 6 7 8 
6 7 8 9 
7 8 9 1 

mit t_range = 2

dh 0-2,2-4,4-6

Probenausgang new_df

 t_range x_avg y_avg 
0  2.0 2.5 3.5 
1  4.0 4.5 5.5 
2  6.0 6.5 7.5 

EDIT: Änderung x_avg und y_avg wie unten angegeben, werden sie jede NaNs, die in den Daten ignorieren, t_range = 2

x_avg = a['X'].dropna().mean() 
y_avg = a['Y'].dropna().mean() 

Abtastdaten

T X Y 
0 1 2.0 6.0 
---------------- t<2 
1 2 NaN NaN 
2 3 7.0 8.0 
---------------- t<4 and t>=2 
3 4 10.0 11.0 
4 5 NaN 14.0 
---------------- t<6 and t>=4 
5 6 1.0 NaN 
6 7 12.0 13.0 
---------------- t<8 and t>=6 
7 8 1.0 2.0 

Ausgang

verwendet

t_range x_avg y_avg 
0 2.0  2.0 6.0 
1 4.0  7.0 8.0 
2 6.0  10.0 12.5 
3 8.0  6.5 13.0 

Ich hoffe, dies beantwortet Ihre zweite Abfrage in den Kommentar. Wenn Sie die Antwort hilfreich gefunden haben, markieren Sie sie Akzeptiert, indem Sie auf das Häkchen neben dieser Antwort klicken