Arrays 多个阵列到数据帧

因此，我在一个字典中迭代，并将一组值作为一个数组取出——尝试将每个观察值作为一个单独的行生成一个数据帧

     X1 =[]
     for k,v in DF_grp:
         date = v['Date'].astype(datetime)
         usage = v['Usage'].astype(float)
         comm = v['comm'].astype(float)
         mdf = pd.DataFrame({'Id' : k[0],'date':date,'usage':usage, 'comm':comm})
         mdf['used_ratio'] = ((mdf['used']/mdf['comm']).round(2))*100 
         ts = pd.Series(mdf['usage'].values, index=mdf['date']).sort_index(ascending=True)
         ts2 = pd.Series(mdf['used_ratio'].values, index = mdf['date']).sort_index(ascending=True)
         ts2 = ts2.dropna() 
         data = ts2.values.copy()
         if len(data) == 10:
            X1 =np.append(X1,data, axis=0)
            print(X1)
   [0,0,0,0,1,0,0,0,1]
   [1,2,3,4,5,6,7,8,9]
   [0,5,6,7,8,9,1,2,3]
   ....

同样，问题是如何在单个数据帧中捕获所有这些阵列，使其如下所示：

   [[0,0,0,0,1,0,0,0,1]] --- #row 1 in dataframe 
   [[1,2,3,4,5,6,7,8,9]] --- #row 2 in dataframe

同一任务是否可以进一步划分？ 数据集中有更多的500K数组。

---

谢谢

我希望下面提到的代码能帮助您：

arr2 = [0,0,0,0,1,0,0,0,1]
arr3 = [1,2,3,4,5,6,7,8,9]
arr4 = [0,5,6,7,8,9,1,2,3]

li = [arr2, arr3, arr4]
pd.DataFrame(data = li, columns= ["c1", "c2", "c3", "c4", "c5","c6", "c7", "c8", "c9"])

---

只需创建一个临时数组并将该数组附加到列表中，就可以使其更具动态性。以及从生成的数组列表创建数据帧。此外，您可以为列添加名称（如上所示）或避免命名它们（只需删除列细节）。我希望这能解决您的问题

在第二行声明一个空的数据帧，即使用code

df=pd.dataframe（）

在

X1=[]

下面声明一个空的数据帧。接下来，在

IF

语句中，在将值附加到

X1

之后传递以下内容：

df = pd.concat([df, pd.Series(X1)]).T

或者

df=pd.DataFrame（np.NaN，index=range（3），columns=range（9））
对于范围（3）中的i：
df.iloc[i，：]=np.random.randint（9）#谢谢，我曾尝试过类似的方法，但他在转置时使用--“仅对唯一值的索引对象重新索引有效”，然后用已知的
shape
和
NaN
值声明一个数据帧。稍后使用
iloc
命令填充它。请稍后删除不必要的行。请提供一个示例，我没有得到它。请检查我修改的答案。如果您事先知道数组的数量，然后在
index=range（number\u of\u array）
中传递值，现在尝试上面的错误是--“只有大小为1的数组才能转换为Python标量”编辑问题现在，我有超过500K个数组。为了正确理解它，您有500个，000个数组，每个数组有多少个元素？元素的数量不同，但目前我只看len==10。
df = pd.DataFrame(np.NaN, index=range(3), columns=range(9))
for i in range(3):
    df.iloc[i,:] = np.random.randint(9)    # <----- Pass X1 here
df
#     0 1   2   3   4   5   6   7   8
# 0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0 4.0
# 1 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0 7.0
# 2 8.0 8.0 8.0 8.0 8.0 8.0 8.0 8.0 8.0