時系列データ解析で処理パイソン-07

その他 2019-07-04 16:51:56 訪問数: null 
パラジウムとしてインポートパンダ
NPとしてインポートnumpyの
パンダインポートシリーズから、データフレーム

＃时间序列的操作基础
日時インポート日時から
「」」
T =日時（2016,9,10） 
、印刷（T）＃2016年9月10日午後12時00分：00 

DATA_LIST = [ 
    日時（2016,9,1）、
    日時（2016,9,10）、
    日時（2017,9,1）、
    日時（2017,9,20）、
    日時（2017,10,1）
] 
プリント（DATA_LIST）
＃[datetime.datetimeの（2016、9、1、0、0）、datetime.datetimeの（2016、9、10、0、0）、datetime.datetimeの（2017、9、1、0、0） 、datetime.datetimeの（2017、9、20、0、0）、datetime.datetimeの（2017、10、1、0、0）] 
、S1 =シリーズ（np.random.rand（5）、インデックス= DATA_LIST）
プリント（ S1）
＃2016年9月1日0.437216
＃2016年9月10日0.002021 
＃2017年9月1日0.990085 
＃2017年9月20日0.635123 
＃2017年10月1日0.504584 
＃DTYPE：のfloat64 
プリント（s1.values）＃[0.74523743 0.67846232 0.33464572 0.66881491 0.34169192】
プリント（S1。インデックス）
＃1 DatetimeIndex（[ '2016年9月1日'、 '2016年9月10日'、 '2017年9月1日'、 '2017年9月20日' 
＃ '2017年10月1日']、
＃1 DTYPE = 'datetime64 [NS]'、FREQ =なし）
プリント（S1 [1]）＃0.3247607714134729 
プリント（S1 [日時（2016,9,10）]）＃0.3247607714134729 
プリント（S1 [ '2016年9月10日']） ＃0.3247607714134729 
プリント（S1 [ '20160910']）＃0.3247607714134729 
プリント（S1 [ '2016から09']）
＃2016年9月1日0.713300 
＃2016年9月10日0。265708 
＃DTYPE：のfloat64
プリント（S1 [ '2016']）
＃2016年9月1日0.139233 
＃2016年9月10日0.595806 
＃DTYPE：のfloat64 
"" " 

" "" 
data_list_new = pd.date_range（ "2016年1月1日"、期間= 100 、FREQ = "5H"）＃100世代の合計5時間のそれぞれの発生時間を示す
プリント（data_list_new）
＃DatetimeIndex（[ '2016年1月1日00:00:00'、「2016年1月1日05:00 ：00 ' 
＃1' 2016年1月1日午前10時00分00秒'' 2016年1月1日15時00分00秒' 
＃' 2016年1月1日午前20時00分00秒'' 2016-01- 02午前一時00分00秒「
＃」2016年1月2日午前6時00分〇 〇秒「」2016年1月2日11時00分○○秒「
＃」2016年1月2日16時○○分○○秒「」 2016年1月2日午後9時00分00秒' 
＃' 2016年1月3日02:00:00 ''2016年1月3日午前7時00'分00秒、 
＃ 『2016年1月3日12時00分00秒』、 『2016年1月3日午後5時00分〇 〇秒』
＃「2016年1月3日夜10時00分00秒」、「2016年1月4日午前3時00分00秒」、
＃「2016年1月4日午前八時00分00秒」、「2016年1月4日午後01時：00' 、
＃ '2016年1月4日午前18時〇 〇分00秒'、 '2016年1月4日午前23時00分〇 〇秒'、 
＃'2016年1月5日午前4時00分00秒'、「2016-01- 05 9時00'分00秒、
＃ 『2016年1月5日夜02時00分00秒』、 『2016年1月5日午後07時00分〇 〇秒』、 
＃『2016年1月6日午後12時00分○○秒』、 ' 2016年1月6日5時00'分00秒、
＃ 『2016年1月6日午前10時00分○○秒』、 『2016年1月6日午後03時00分00秒』、
＃「2016年1月6日午前20時00分： 00' 、 『2016年1月7日午前一時00分00秒』、 
＃『2016年1月7日6時00分00秒』、 『2016年1月7日午前11時00分○○秒』、
＃「2016年1月7日午後四時00'分00秒「2016年1月7日午後9時00分00秒」、 
＃「2016年1月8日午前2時00分00秒」、「2016年1月8日7時〇 〇分00秒」
＃「2016年1月8日午前12時00分00秒」、「2016年1月8日午前17時00分○○秒」、
＃「2016年1月8日午前22時00分00秒」、「2016年1月9日午前3時：00' 、
＃ '2016年1月9日午前八時00分00秒'、 '2016年1月9日午後01時00分00秒'、 
＃'2016年1月9日午後06時00分○○秒'、「2016-01- 09午前23時00'分00秒、
＃ 『2016年1月10日午前4時00分○○秒』、 『2016年1月10日午前9時00分00秒』、 
＃『2016年1月10日14時00分00秒』、 ' 2016年1月10日19:00:00' 、
＃ '2016年1月11日00:00:00'、 '2016年1月11日5時00分00秒'、
＃「2016年1月11日10:00： 00' 、 '2016年1月11日15:00:00'、 
＃'2016年1月11日午後八時00分00秒'、 '2016年1月12日01:00:00'、
＃「2016年1月12日六時00'分00秒「2016年1月12日11時00分00秒」、 
＃「2016年1月12日午前16時〇 〇分00秒」、「2016年1月12日21時00分○○秒」
＃「2016年1月13日2時00分00秒」、「2016年1月13日7時00分00秒」、
＃「2016年1月13日12時00分00秒」、「2016年1月13日午後05時00分：00' 、
＃ '2016年1月13日22時00分00秒'、 '2016年1月14日午前3時00分00秒'、 
＃'2016年1月14日8時00分○○秒'、「2016-01- 14夜01時00'分00秒、
＃ 『2016年1月14日午後6時00分00秒』、 『2016年1月14日23時00分00秒』、 
＃『2016年1月15日午前4時00分00秒』、 ' 2016年1月15日9時〇 〇分00'秒、
＃ 『2016年1月15日午後二時00分○○秒』、 『2016年1月15日19時○○分00秒』、
＃「2016年1月16日午後12時00分： 00' 、 『2016年1月16日5時00分00秒』、 
＃『2016年1月16日午前10時00分00秒』、 『2016年1月16日午前15時00分00秒』、
＃「2016年1月16日午後08時00'分○○秒'2016年1月17日01:00:00'、 
＃ '2016年1月17日06:00:00'、 '2016年1月17日11:00:00'、
＃1 '2016年1月17日午後4時00分00秒'、 '2016年1月17日21時00分00秒'、 
＃'2016年1月18日02:00:00'、「2016年1月18日07:00 ：00' 、
＃ '2016年1月18日12:00:00'、 '2016年1月18日午後05時00分00秒'、 
＃'2016年1月18日午後09時00分00秒'、「2016-01- 19午前3時00'分00秒、
＃ 『2016年1月19日8時00分00秒』、 『2016年1月19日夜01時00分00秒』、 
＃『2016年1月19日午後06時00分〇 〇秒』、 ' 2016年1月19日午後11時00'分〇 〇秒、
＃ 『2016年1月20日午前四時00分00秒』、 『2016年1月20日午前9時00分00秒』、
＃「2016年1月20日夜02時00分： 00' 、 『2016年1月20日19時00分○○秒』、 
＃『2016年1月21日〇時00分00秒』、 『2016年1月21日5時00分00秒』、
＃「2016年1月21日10:00:00' 、'2016年1月21日午後03時○○分○○秒']、 
＃1 DTYPE = 'datetime64 [NS]'、= '5H' FREQ）
シリーズ= S2（np.random.rand（100）、インデックス= data_list_new）
印刷（S2）
"" " 

" "" 
＃----------------- 
＃時系列データサンプリングと描画
#t_range = pd.date_range（ "2016年1月1日"、 "2016年12月31日"）
#Print（t_range） 
＃のDatetimeIndex（[ '2016年1月1日'、 '2016年1月2日' '2016年1月3日'、 '2016年1月4日'、 
＃'2016年1月5日'、 '2016年1月6日'、 '2016年1月7日'、 '2016年1月8日' 
＃ '2016年1月9日'、 '2016年1月10日'、
＃... 
＃ '2016年12月22日'、 '2016年12月23日'、 '2016年12月24日'、「2016から12 -25 ' 
＃' 2016年12月26日'' 2016年12月27日'' 2016年12月28日''2016年12月29'日
＃ '2016年12月30日'、 '2016年12月31日']、
＃1 DTYPE = 'datetime64 [NS]'、長さ= 366、FREQ = 'D'）
一連S1 =＃（np.random.randn（LEN（t_range））、インデックス= t_range）
#Print（S1）
#Print（S1 [ "2016から01"]。平均（））＃0.05316056209771481 
s1.resample =＃s1_month 。（ "M"）の平均（ ）＃ サンプリングされた値が月にとり、平均値
＃印刷（s1_month）
＃2016年1月31日0.175917 
＃2016年2月29日-0.018886 
＃2016年3月31日- 0.131760 
＃2016年4月30日-0.134704 
＃2016年5月31日0.147767 
＃2016年6月30日0.382015 
＃2016年7月31日0.163278 
＃2016年8月31日-0.079203 
＃2016年9月30日0.184607 
＃2016-10- 0.055851 31は、
＃2016年11月30日0.284106 
＃2016年12月31日-0.030083 
M、DTYPE：のfloat64＃1のFreq 

#Print（s1.resample（ "H"）ffill（）。）
＃2016年1月1日午前0時○○ ：00 -2.031085
＃2016年1月1日01:00:00 -2.031085 
＃2016年1月1日02:00:00 -2.031085 
＃........ 



t_range = pd.date_range（ "2016年1月1日"、」 2016年12月31"日、FREQ = "H"）
プリント（t_range）
＃DatetimeIndex（[ '2016年1月1日00:00:00'、 '2016年1月1日01:00:00' 
＃「2016 -01-01午前二時00'分00秒、 『2016年1月1日午前三時00分00秒』、 
＃『2016年1月1日午前4時00分00秒』、 『2016年1月1日午前5時00分00秒』 、
＃ '2016年1月1日午前6時00分00秒'、 '2016年1月1日午前7時00分○○秒'、 
＃'2016年1月1日午前8時00分〇 〇秒'、「2016年1月1日09：午後12時00'分、
＃... 
＃ '2016年12月30日午前15時00分00秒'、 '2016年12月30日午後04時00分○○秒'、 
＃'2016年12月30日17時00分00秒'、「2016年12月30日午後06時00分○○秒」、 
＃「2016年12月30日夜7時00分00秒」、「2016年12月30日午後八時00分00秒」、
＃「2016年12月30日夜9時00分00秒」、「2016年12月30日午後10時00分00秒」、
＃「2016年12月30日23時○○分00秒」、「2016年12月31日午後12時00分：00 ']、
＃1 DTYPE =' datetime64 [NS]」、長さ= 8761、FREQ = 'H'）
stock_df = DATAFRAME（インデックス= t_range）
プリント（stock_df.head（））
#Emptyデータフレーム
＃カラム：[] 
＃インデックス：[2016年1月1日午前0時00分00秒、2016年1月1日午前1時00分00秒、2016年1月1日2時00分00秒、2016年1月1日3時00分〇 〇秒、2016から01 -01午前4時00分00秒] 
stock_df [ "BABA"] = np.random.randint（80160、サイズ= LEN（t_range））
stock_df [ "TENCENT"] = np.random.randint（30,50、サイズ= LEN （t_range））
プリント（stock_df.head（）） 
＃のBABAテンセント
＃2016年1月1日0時00分00秒147 47 
＃2016年1月1日1時00分：00 88 40
＃2016年1月1日02:00:00 143 33 
＃2016年1月1日03:00:00 132 47 
＃2016年1月1日04:00:00 93 44 
＃stock_df.plot（）
インポートmatplotlib.pyplotとしてPLT 
＃1 plt.show（）

weekly_df = DATAFRAME（）
weekly_df [ "BABA"] = stock_df [ "BABA"]。（ "W"）リサンプリングする。平均（）
weekly_df [ "TENCENT"] = stock_df [ "TENCENT"]。 （平均）。（ "W"）リサンプリング
プリント（weekly_df.head（））＃
のBABAテンセント
113.819444 39.597222＃2016年1月3日
＃2016年1月10日122.696429 39.029762 
＃2016年1月17日120.458333 38.845238 
＃2016-01- 24 119.196429 39.690476 
＃2016年1月31日118.315476 38.690476 
weekly_df.plot（）
plt.show（）
""「 

『』」
＃------------------------------ 
＃数据分箱技术ビニング
score_list = np.random.randint（25,100、サイズ= 20 ）
プリント（score_list）＃[41 88 82 66 83 84 77 29 72 97 77 81 80 45 30 74 84 46 95 54] 
ビン= 0,59,70,80,100] 
score_cut = pd.cut（score_list、ビン）
印刷（score_cut）
＃1 [（0、59]、（0、59]、（80、100]、（70、80]、（59、70]、...、（80、100]、（0、59] 、（0、59]、（59、70]、（80、100] 
＃長さ：20の
＃カテゴリー（4、区間[int64モード]）：（0、59] <（59、70] <（70、 80 <（80、100] 
印刷（pd.value_counts（score_cut）） 
＃（0、59] 11 
＃（80、100] 4 
＃（59、70] 3 
＃（70、80] 2 
＃DTYPE：int64モード
DF =データフレーム（）
DF [ "スコア"] = score_list
DF [ "学生"] = [pd.util.testing.rands（3）のためのIの範囲内（20）] 
のDF [ "カテゴリ"] = pd.cut（DF [ "スコア"]、ビン、ラベル= [」低」、 "OK"、 "グッド"、 "素晴らしいです"]） 
、印刷（DF） 
＃スコア学生カテゴリ
＃0 71のsCO良い
＃1 40のAgI低
＃2 61 UBCのOK 
＃3 65 P1Kオクラホマ
良い＃4 78 EBD 
グッドoxG＃5~75 
＃6 81 JN0グレート
＃7 35低LPS 
8位53 L7l低
＃9 60 PUW [OK]を
＃10 27 3KJ低
＃11 77 2IDグッド
＃12 63 D26 [OK]を
＃13 96 jA7グレート
＃14 46 TXB低
＃15 85 8NFグレート
＃16 96 JNEグレート
＃17 71 xBXグッド
＃18 75 3HPグッド
＃19 93 SVLグレート
""」

＃---------------- -------------------------------- 
＃数据分组技术GROUPBY 
"" " 
DF = pd.read_csv（" city_weather.csv 「） 
＃プリント（DF） 
＃データ都市温風
＃0 2016年3月1日BJ 8 5 
＃1 17/01/2016 BJ 12 2 
＃2 31/01/2016 BJ 19 2 
＃3 2016年3月2日BJ -3 3 
＃4 14/02/2016 BJ 19 2 
＃5 13/03/2016 BJ 5 3
＃6 2016年10月3日SH -4 4 
＃7 2016年3月4日SH 19 3 
＃8 24/04/2016 SH 20 3 
＃9 2016年8月5日SH 17 3 
＃10 22/05/2016 SH 4 2 
＃11 2016年5月6日SH -10 4 
＃12 19/06/2016 SH 0 5 
＃13 2016年3月7日SH 9 5 
＃14 17/07/2016 GZ 10 2 
＃15 31/07/2016 GZ -1 5 
＃16 14/08/2016 GZ 1 5 
17位28/08/2016 GZ 25 4 
＃18 2016年11月9日SZ 20 1 
＃19 25/09/2016 SZ -10 4 

G = df.groupby（ DF [ "街"]） 
、印刷（G）
＃<pandas.core.groupby.generic.DataFrameGroupBy 0x000000000297D780におけるオブジェクト> 
印刷（g.groups）
＃{ 'BJ'：Int64Index（[0、1、2、3、4、5]、DTYPE = 'Int64の'）、 'GZ'：Int64Index（[14、15、16、17]、DTYPE = 'Int64の'）、 'SH'：Int64Index（[6、7、8、9、10、11、12、13]、DTYPE =」 Int64の'）、 'SZ'：Int64Index（[18、19]、DTYPE =' Int64'の）} 
プリント（g.get_group（ "BJ"）） 
＃データ都市温風
＃0 2016年3月1日BJ 8 5 
＃ 1 17/01/2016 BJ 12 2 
＃2 31/01/2016 BJ 19 2 
＃3 2016年3月2日BJ -3 3 
＃4 14/02/2016 BJ 19 2 
＃5 13/03/2016 BJ 5 3 
df_bj = g.get_group（ "BJ"） 
プリント（df_bj.mean（）） 
＃温度10.000000
＃風2.833333 
＃DTYPE：のfloat64 
プリント（g.mean（）） 
＃温風
＃市
＃BJ 10.000 2.833333 
＃GZ 8.750 4.000000 
＃1 SH 6.875 3.625000 
＃SZ 5.000 2.500000 
""」

＃1数据聚合技术アグリゲーション
DF = pd.read_csv（ "city_weather.csv"）
G = df.groupby（ "都市"）
プリント（g.agg（ "MIN"）） 
＃データ温風
＃市
＃BJ 2016年3月1日-3 2 
＃GZ 14/08/2016 -1 2 
＃のSH 2016年3月4日-10 2 
＃SZ 2016年11月9日-10 1 
デフFOO（ATTR）：
    プリント（型（ATTR））、印刷（ATTR） 
    の戻りnp.nan

プリント（g.agg（FOO））
＃<クラスのpandas.core.series.Series '> 
＃0 2016年3月1日
＃1 17/01/2016 
＃2 31/01/2016 
＃3 2016年3月2日
＃4 14/02/2016 
＃5 13/03/2016 
＃名：データ、DTYPE：オブジェクト
＃<クラスのpandas.core.series.Series '> 
＃14 17/07/2016 
＃15 31/07/2016 
＃ 16 14/08/2016 
＃17 28/08/2016 
＃名：データ、DTYPE：オブジェクト
＃<クラスのpandas.core.series.Series '> 
＃6 2016年10月3日
＃7 2016年3月4日
＃8 24/04/2016 
＃9 2016年8月5日
＃10 22/05/2016 
＃11 2016年5月6日
＃12 19/06/2016 
＃13 2016年3月7日
＃名：データ、DTYPE：オブジェクト
＃<クラスのpandas.core.series.Series '> 
＃18 2016年11月9日
＃19 25/09/2016 
＃名：データ、DTYPE：オブジェクト
＃<クラスのpandas.core.series.Series'> 
＃0 8 
＃1〜12 
＃2~19 
＃3 -3 
＃4 19 
＃5 
＃名：温度、DTYPE：int64モード
＃<クラスのpandas.core.series.Series '> 
＃14 10 
＃15 -1 
＃16 1 
＃17 25 
＃名：温度、DTYPE：int64モード
＃<クラスのpandas.core.series.Series '> 
＃6 -4 
＃7 19 
＃8~20 
＃9~17 
＃10 4 
＃11 -10 
＃12 0 
＃13 9 
＃名：温度、DTYPE：int64モード
＃<クラスのpandas.core.series.Series '> 
＃18 20 
＃19 -10 
＃名：温度、DTYPE：int64モード
＃<クラスのpandas.core.series.Series'> 
＃0~5 
＃1〜2 
＃2 2 
＃3,3 
＃4 2 
＃5 3 
＃名：風、DTYPE：int64モード
＃<クラスのpandas.core.series.Series '> 
＃14 2 
＃15 5 
＃16 5 
＃17 4 
＃名：風、DTYPE：int64モード
＃<クラスのpandas.core.series.Series '> 
＃6 4 
＃7~3 
＃8 3 
＃9~3 
＃10 2 
＃11 4 
＃12 5 
＃13 5 
＃名：風、DTYPE：int64モード
＃<クラス「パンダ。コア。series.Series'>
＃18 1 
＃19 4 
＃名：風、DTYPE：int64モード
＃データ温風
＃市
＃BJのNaN NaNにはNaN 
＃GZのNaN NaNにはNaN 
＃SHのNaN NaNにはNaN 
＃SZのNaN NaNにはNaN 

：DEF FOO（ATTR）
    戻りattr.max （） - attr.min（）

プリント（g.agg（FOO）） 
＃温風
＃市
＃BJ 22 3 
＃GZ 26 3 
＃SH 30 3 
＃SZ 30 3 


g_new = df.groupby（[ "都市"、」風"]）
プリント（g_new.groups）
＃{（ 'BJ'、2）：Int64Index（[1、2、4]、DTYPE = 'Int64の'）、 
＃（'BJ'、3）：Int64Index（[3 、5]、DTYPE = 'Int64の'）、
＃（ 'BJ'、5）：Int64Index（[0]、DTYPE = 'Int64の'）、 
＃（'GZ'、2）：Int64Index（[14]、DTYPE = 'Int64の'）、 
＃（'GZ'、 4）：Int64Index（[17]、DTYPE = 'Int64の'）、 
＃（'GZ'、5）：Int64Index（[15、16]、DTYPE = 'Int64の'）、 
＃（'SH'、2）：Int64Index （[10]、DTYPEは= 'Int64の'）、 
＃（'SH'、3）：Int64Index（[7、8、9]、DTYPE = 'Int64の'）、 
＃（'SH'、4）：Int64Index（[ 6、11]、DTYPE = 'Int64の'）、 
＃（'SH'、5）：Int64Index（[12、13]、DTYPE = 'Int64の'）、 
＃（'SZ'、1）：Int64Index（[18] 、DTYPE = 'Int64の'）、 
＃（'SZ'、4）：Int64Index（[19]、DTYPE = 'Int64の'）} 
プリント（g_new.get_group（（ "BJ"、3））） 
＃データ都市温風
＃3 2016年3月2日BJ -3 3 
＃5 13/03/2016 BJ 5 3 

＃32









おすすめ

転載: www.cnblogs.com/nikecode/p/11130932.html
おすすめ
ランキング
Oracleのクエリ重複フィールド
An error occurred when ssm used count to query data
【Leyes de la Naturaleza】La sabiduría de las multitudes
JavaWebの研究では、（13）を締結 - セッションの使用は、重複送信フォームを防ぎます
Firebase増加サインアップクォータ
[MyBatisフレームワーク]mybatis入門
ハートレスの世界
Djangoのインストールと使用について
[转] UiPath展開アーキテクチャ
mybatis-plusは楽観的なロック変更を使用します
アーカイブ
もっと
2024-05-14(9)
2024-05-13(8)
2024-05-12(27)
2024-05-11(31)
2024-05-10(33)
2024-05-09(30)
2024-05-08(18)
2024-05-07(34)
2024-05-06(6)
2024-05-05(0)

コードワールド

© 2018 codetd.com