Python 2.7 从系列构建新的数据帧

因为我仍然不知道如何正确地做我想做的事情，所以我再次尝试我的一个朋友

我将数据存储在数据帧中，需要提取数据的平均块以供以后使用。我的索引是datetime值，但这并不十分重要。不幸的是，我无法执行简单的df.resample（）操作，因为我需要提取的数据间隔不规则。例如：

import pandas as pd
from numpy import *

# Build example dataframe
df = pd.DataFrame(data=random.rand(10,3),index=None,columns=list('ABC'))

# Build dummy dataframe to store averaged data from "df"
dummy = pd.DataFrame(columns=df.columns)

# Perform averaging of "df" 
for r in xrange(1,10,2):
    ave = df.ix[r-1:r+1].mean()

    # Store averaged data in dummy dataframe
    # Here is where I hit my problem, since ave is a Series
    dummy = dummy.append(ave)

我无法将序列附加到数据帧。
我可以通过将ave转换为字典，然后附加到dummy来解决这个问题：

for r in xrange(1,10,2):
    ave = df.ix[r-1:r+1].mean().to_dict()
    ave = pd.DataFrame(ave,index=[r])
    dummy = dummy.append(ave)

第一：我的总体目标有意义吗？
第二：有没有更好的方法来实现这一点？转换为字典，然后是数据帧，然后是追加似乎很困难，但这是我最好的

开始编辑 联合国大学提出了一个很好的观点。如前所述，滚动_mean（）将起作用。但是，我只对很少几行数据感兴趣，其他的都被认为是垃圾

# Now creating larger dataframe for illustration
df = pd.DataFrame(data=random.rand(10000,3),index=None,columns=list('ABC'))

# Now, most of the data are not averaged
for r in xrange(1,10000,50):
    ave = df.ix[r-1:r+1].mean().to_dict()
    ave = pd.DataFrame(ave,index=[r])

我在示例中遇到的主要问题是显示平均值的不规则性。平均值是由事件驱动的（即，如果在2013-01-01 14:23发生了什么，则对2013-01-01 14:23+/-2.5分钟的数据进行平均

不幸的是，数据时间戳也是高度不规则的，这使得rolling_mean（）在这种情况下无效。因此，我有不规则的事件来确定何时平均我不规则记录的数据，这是一个很好的问题

我可以实现我想要的，但只能通过将ave从series转换为dictionary，然后再转换为dataframe来实现。也许在这种情况下，“足够好”就不必说了

结束编辑

---

dummy=dummy.append（ave）

听起来你要找的是：

屈服

          A         B         C
2  0.301872  0.404214  0.163073
3  0.342470  0.303837  0.391442
4  0.309843  0.547624  0.369792
5  0.471245  0.571539  0.423766
6  0.338436  0.497841  0.462274
7  0.593039  0.309610  0.683919
8  0.661679  0.468711  0.526037
9  0.627902  0.459287  0.551836

---

这是另一种使用datelike索引的方法

In [67]: df = pd.DataFrame(data=np.random.rand(10,3), index=None, columns=list('ABC'))

In [68]: df
Out[68]: 
          A         B         C
0  0.417022  0.720324  0.000114
1  0.302333  0.146756  0.092339
2  0.186260  0.345561  0.396767
3  0.538817  0.419195  0.685220
4  0.204452  0.878117  0.027388
5  0.670468  0.417305  0.558690
6  0.140387  0.198101  0.800745
7  0.968262  0.313424  0.692323
8  0.876389  0.894607  0.085044
9  0.039055  0.169830  0.878143

这是一个常规索引，但在时间上是不规则的（或至少是假装的）

每3个数据（不管是不是他们的）都要认真对待（如果你想的话，你也可以做得更出色）。他们有更多的选择（例如，包括哪一面，标签放在哪里等，请参阅

---

不完全正确。正如我在示例中所写的，滚动平均值将起作用。但我不需要所有的数据。我将编辑我的帖子以显示一个示例。@ubuntu:是否希望

dummy=pd.rolling平均值（df，window=3）.shift（-1）.dropna（）

使窗口集中在当前观察点而不是结束于当前观察点？或者，如果您愿意，您可以执行

dummy=pd.rolling\u mean（df，window=3，center=True）。dropna（）

此外，根据设置，设置

min\u periods=3

以强制执行边缘案例可能很有用。

In [67]: df = pd.DataFrame(data=np.random.rand(10,3), index=None, columns=list('ABC'))

In [68]: df
Out[68]: 
          A         B         C
0  0.417022  0.720324  0.000114
1  0.302333  0.146756  0.092339
2  0.186260  0.345561  0.396767
3  0.538817  0.419195  0.685220
4  0.204452  0.878117  0.027388
5  0.670468  0.417305  0.558690
6  0.140387  0.198101  0.800745
7  0.968262  0.313424  0.692323
8  0.876389  0.894607  0.085044
9  0.039055  0.169830  0.878143

In [69]: df.index=date_range('20130101 09:00:58',periods=10,freq='s')

In [70]: df
Out[70]: 
                            A         B         C
2013-01-01 09:00:58  0.417022  0.720324  0.000114
2013-01-01 09:00:59  0.302333  0.146756  0.092339
2013-01-01 09:01:00  0.186260  0.345561  0.396767
2013-01-01 09:01:01  0.538817  0.419195  0.685220
2013-01-01 09:01:02  0.204452  0.878117  0.027388
2013-01-01 09:01:03  0.670468  0.417305  0.558690
2013-01-01 09:01:04  0.140387  0.198101  0.800745
2013-01-01 09:01:05  0.968262  0.313424  0.692323
2013-01-01 09:01:06  0.876389  0.894607  0.085044
2013-01-01 09:01:07  0.039055  0.169830  0.878143

In [71]: df.resample('3s',how=lambda x: x.mean())
Out[71]: 
                            A         B         C
2013-01-01 09:00:57  0.359677  0.433540  0.046226
2013-01-01 09:01:00  0.309843  0.547624  0.369792
2013-01-01 09:01:03  0.593039  0.309610  0.683919
2013-01-01 09:01:06  0.457722  0.532219  0.481593