11

使用pandas.DataFrame.resample我可以对 DataFrame 进行下采样：

df.resample("3s", how="mean")

这将使用类似日期时间的索引重新采样数据帧，以便 3 秒内的所有值聚合到一行中。列的值被平均。

问题：我有一个包含多列的数据框。是否可以为不同的列指定不同的聚合函数，例如我想要"sum"column x，"mean"columny并选择"last"for column z？我怎样才能达到这种效果？

我知道我可以创建一个新的空数据框，然后调用resample3 次，但我更喜欢更快的就地解决方案。

4

2 回答 2

25

您可以.agg在重新采样后使用。使用字典，您可以使用各种功能聚合不同的列。

尝试这个：

df.resample("3s").agg({'x':'sum','y':'mean','z':'last'})

此外，how已弃用：

C:\Program Files\Anaconda3\lib\site-packages\ipykernel__main__.py:1: FutureWarning: 如何在 .resample() 中弃用新语法是 .resample(...).mean()

于 2017-05-31T16:05:17.243 回答
5

考虑数据框df

np.random.seed([3,1415])
tidx = pd.date_range('2017-01-01', periods=18, freq='S')
df = pd.DataFrame(np.random.rand(len(tidx), 3), tidx, list('XYZ'))
print(df)

                            X         Y         Z
2017-01-01 00:00:00  0.444939  0.407554  0.460148
2017-01-01 00:00:01  0.465239  0.462691  0.016545
2017-01-01 00:00:02  0.850445  0.817744  0.777962
2017-01-01 00:00:03  0.757983  0.934829  0.831104
2017-01-01 00:00:04  0.879891  0.926879  0.721535
2017-01-01 00:00:05  0.117642  0.145906  0.199844
2017-01-01 00:00:06  0.437564  0.100702  0.278735
2017-01-01 00:00:07  0.609862  0.085823  0.836997
2017-01-01 00:00:08  0.739635  0.866059  0.691271
2017-01-01 00:00:09  0.377185  0.225146  0.435280
2017-01-01 00:00:10  0.700900  0.700946  0.796487
2017-01-01 00:00:11  0.018688  0.700566  0.900749
2017-01-01 00:00:12  0.764869  0.253200  0.548054
2017-01-01 00:00:13  0.778883  0.651676  0.136097
2017-01-01 00:00:14  0.544838  0.035073  0.275079
2017-01-01 00:00:15  0.706685  0.713614  0.776050
2017-01-01 00:00:16  0.542329  0.836541  0.538186
2017-01-01 00:00:17  0.185523  0.652151  0.746060

利用agg

df.resample('3S').agg(dict(X='sum', Y='mean', Z='last'))

                            X         Y         Z
2017-01-01 00:00:00  1.760624  0.562663  0.777962
2017-01-01 00:00:03  1.755516  0.669204  0.199844
2017-01-01 00:00:06  1.787061  0.350861  0.691271
2017-01-01 00:00:09  1.096773  0.542220  0.900749
2017-01-01 00:00:12  2.088590  0.313316  0.275079
2017-01-01 00:00:15  1.434538  0.734102  0.746060
于 2017-05-31T16:06:44.237 回答