重採樣非時間序列數據

Question

我有一些數據，我正在處理數據框和熊貓。 它們包含大約10 000行和6列。

問題是，我做了幾個試驗，不同的數據集有略微不同的索引號。 （這是用幾種材料進行的「力 - 長度」測試，當然測量點並不完美）

現在我的想法是，使用包含長度值的索引「重新取樣」數據。 似乎pandas中的重採樣函數僅適用於datetime數據類型。

我試圖通過to_datetime和成功轉換索引。但是在重新採樣之後，我需要回到最初的比例。某種from_datetime函數。

有什麼辦法嗎？

還是我在完全錯誤的軌道上，應該更好地使用像groupby這樣的功能？

謝謝！

編輯：

對不起，問得不夠清楚。我是一個非常沒有經驗的蟒蛇用戶，也是這個論壇的新成員。

數據類似於下面。長度被用作索引。在這些數據框中，我有幾個這樣的框架，它們可以很好地將它們全部設置爲相同的「幀率」，然後將它們剪切這樣我可以比較不同的數據集。

我已經嘗試過的想法是這樣：

df_1_dt = df_1 #generate a table for the conversion 
    df_1_dt.index = pd.to_datetime(df_1_dt.index, unit='s') # convert it simulating seconds.. good idea?! 
    df_1_dt_rs= df_1_dt # generate a df for the resampling 
    df_1_dt_rs = df_1_dt_rs.resample (rule='s') #resample by the generatet time 

數據：

+---------------------------------------------------+ 
¦ Index (Lenght) ¦ Force1  ¦ Force2  ¦ 
¦-------------------+---------------+---------------¦ 
¦ 8.04662074828e-06 ¦ 4.74251270294 ¦ 4.72051584721 ¦ 
¦ 8.0898882798e-06 ¦ 4.72051584721 ¦ 4.72161570191 ¦ 
¦ 1.61797765596e-05 ¦ 4.69851899147 ¦ 4.72271555662 ¦ 
¦ 1.65476570973e-05 ¦ 4.65452528 ¦ 4.72491526604 ¦ 
¦ 2.41398605024e-05 ¦ 4.67945501539 ¦ 4.72589291467 ¦ 
¦ 2.42696630876e-05 ¦ 4.70438475079 ¦ 4.7268705633 ¦ 
¦ 9.60953101751e-05 ¦ 4.72931448619 ¦ 4.72784821192 ¦ 
¦ 0.00507703541206 ¦ 4.80410369237 ¦ 4.73078115781 ¦ 
¦ 0.00513927175509 ¦ 4.87889289856 ¦ 4.7337141037 ¦ 
¦ 0.00868965311878 ¦ 4.9349848032 ¦ 4.74251282215 ¦ 
¦ 0.00902026197556 ¦ 4.99107670784 ¦ 4.7513115406 ¦ 
¦ 0.00929150878827 ¦ 5.10326051712 ¦ 4.76890897751 ¦ 
¦ 0.0291729332784 ¦ 5.14945375919 ¦ 4.78650641441 ¦ 
¦ 0.0296332588857 ¦ 5.17255038023 ¦ 4.79530513287 ¦ 
¦ 0.0297080942518 ¦ 5.19564700127 ¦ 4.80410385132 ¦ 
¦ 0.0362595526707 ¦ 5.2187436223 ¦ 4.54 ¦ 
¦ 0.0370305483177 ¦ 5.24184024334 ¦ 4.81290256977 ¦ 
¦ 0.0381506204153 ¦ 5.28803348541 ¦ 4.82170128822 ¦ 
¦ 0.0444440795306 ¦ 5.30783069134 ¦ 4.83050000668 ¦ 
¦ 0.0450121369102 ¦ 5.3177292943 ¦ 4.8348993659 ¦ 
¦ 0.0453465140473 ¦ 5.32762789726 ¦ 4.83929872513 ¦ 
¦ 0.0515533437013 ¦ 5.33752650023 ¦ 4.85359662771 ¦ 
¦ 0.05262489708  ¦ 5.34742510319 ¦ 4.8678945303 ¦ 
¦ 0.0541273847206 ¦ 5.36722230911 ¦ 4.89649033546 ¦ 
¦ 0.0600755845953 ¦ 5.37822067738 ¦ 4.92508614063 ¦ 
¦ 0.0607712385295 ¦ 5.38371986151 ¦ 4.93938404322 ¦ 
¦ 0.0612954159368 ¦ 5.38921904564 ¦ 4.9536819458 ¦ 
¦ 0.0670288249293 ¦ 5.39471822977 ¦ 4.97457891703 ¦ 
¦ 0.0683640870058 ¦ 5.4002174139 ¦ 4.99547588825 ¦ 
¦ 0.0703192637772 ¦ 5.41121578217 ¦ 5.0372698307 ¦ 
¦ 0.0757871634772 ¦ 5.43981158733 ¦ 5.07906377316 ¦ 
¦ 0.0766597757545 ¦ 5.45410948992 ¦ 5.09996074438 ¦ 
¦ 0.077317850103 ¦ 5.4684073925 ¦ 5.12085771561 ¦ 
¦ 0.0825991083545 ¦ 5.48270529509 ¦ 5.13295596838 ¦ 
¦ 0.0841354654428 ¦ 5.49700319767 ¦ 5.14505422115 ¦ 
¦ 0.0865525182528 ¦ 5.52559900284 ¦ 5.1692507267 ¦ 
+---------------------------------------------------+ 

Answer 1

這聽起來像所有你想做的事是圓的長度數字，精度較低。

如果是這樣的話，你可以只使用內置四捨五入功能：

（虛擬數據）

>>> df=pd.DataFrame([[1.0000005,4],[1.232463632,5],[5.234652,9],[5.675322,10]],columns=['length','force']) 
>>> df 
33:  length force 
0 1.000001  4 
1 1.232464  5 
2 5.234652  9 
3 5.675322  10 
>>> df['rounded_length'] = df.length.apply(round, ndigits=0) 
>>> df 
34:  length force rounded_length 
0 1.000001  4    1.0 
1 1.232464  5    1.0 
2 5.234652  9    5.0 
3 5.675322  10    6.0 
>>> 

然後，你可以使用複製重採樣（）......工作流程groupby：

>>> df.groupby('rounded_length').mean().force 
35: rounded_length 
1.0  4.5 
5.0  9.0 
6.0 10.0 
Name: force, dtype: float64 

一般來說，重新採樣僅用於日期。如果您將它用於日期以外的其他應用，可能會有更優雅的解決方案！