Python 按级别分组列,按其他级别分组列
我每小时采集一次天气数据,其中包含[温度、湿度、速度]Python 按级别分组列,按其他级别分组列,python,pandas,dataframe,group-by,Python,Pandas,Dataframe,Group By,我每小时采集一次天气数据,其中包含[温度、湿度、速度] Timestamp Humidity Temp Speed 01/01/2019 00:00 57 23 2.222222222 01/01/2019 01:00 56 23 1.944444444 01/01/2019 02:00 55 23 1.944444444 01/01/2019 03:00 54 22 1.944444444 01/01/2019 04:00 55
Timestamp Humidity Temp Speed
01/01/2019 00:00 57 23 2.222222222
01/01/2019 01:00 56 23 1.944444444
01/01/2019 02:00 55 23 1.944444444
01/01/2019 03:00 54 22 1.944444444
01/01/2019 04:00 55 22 1.944444444
01/01/2019 05:00 56 22 1.666666667
01/01/2019 06:00 57 22 1.666666667
01/01/2019 07:00 57 22 1.666666667
01/01/2019 08:00 57 23 1.944444444
01/01/2019 09:00 57 23 1.944444444
01/01/2019 10:00 55 23 2.222222222
我想创建一个包含以下内容的数据帧:
时间戳(每日)。时间戳(每小时)。温度(每小时)、湿度(每小时)、湿度(每小时)、温度(每天)、湿度(每天)、湿度(每天)
最快的方法是什么[例如使用一组人]
低于我的努力
weather_data = weather_data.groupby(pd.Grouper(key='Timestamp', freq='1d'),pd.Grouper(key='Timestamp', freq='1d'))\
.agg(Temp_Daily = ('Temp','mean'),
Humidity_Daily=('Humidity', 'mean'),
Speed_Daily=('Speed', 'mean'),
Temp = ('Temp', lambda x:x),
Humidity=('Humidity', lambda x: x),
Speed=('Speed', lambda x: x)
).reset_index()
如果我正确理解您的预期输出,您可以将每日平均值连接到原始数据帧(更改列名后)
由于您在不同的频率上分组,我不认为只有一个groupby命令就有一种直接的方法。
# Sample data.
df = pd.DataFrame({
'Timestamp': pd.date_range('2019-01-01 00:00', '2019-01-01 10:00', freq='H'),
'Humidity': [57, 56, 55, 54, 55, 56, 57, 57, 57, 57, 55],
'Temp': [23, 23, 23, 22, 22, 22, 22, 22, 23, 23, 23],
'Speed': [2.222222222, 1.944444444, 1.944444444, 1.944444444, 1.944444444, 1.666666667, 1.666666667, 1.666666667, 1.944444444, 1.944444444, 2.222222222]
})
# Solution.
df_daily = (
df
.groupby(df['Timestamp'].dt.date)[['Humidity', 'Temp', 'Speed']]
.transform('mean')
.add_suffix(' (daily)')
.set_index(df['Timestamp'])
)
result = pd.concat([df.set_index('Timestamp').add_suffix(' (Hourly)'), df_daily], axis=1)
>>> result.shape
(11, 6)
>>> result
Humidity (Hourly) Temp (Hourly) Speed (Hourly) \
Timestamp
2019-01-01 00:00:00 57 23 2.222222
2019-01-01 01:00:00 56 23 1.944444
2019-01-01 02:00:00 55 23 1.944444
2019-01-01 03:00:00 54 22 1.944444
2019-01-01 04:00:00 55 22 1.944444
2019-01-01 05:00:00 56 22 1.666667
2019-01-01 06:00:00 57 22 1.666667
2019-01-01 07:00:00 57 22 1.666667
2019-01-01 08:00:00 57 23 1.944444
2019-01-01 09:00:00 57 23 1.944444
2019-01-01 10:00:00 55 23 2.222222
Humidity (daily) Temp (daily) Speed (daily)
Timestamp
2019-01-01 00:00:00 56 22.545455 1.919192
2019-01-01 01:00:00 56 22.545455 1.919192
2019-01-01 02:00:00 56 22.545455 1.919192
2019-01-01 03:00:00 56 22.545455 1.919192
2019-01-01 04:00:00 56 22.545455 1.919192
2019-01-01 05:00:00 56 22.545455 1.919192
2019-01-01 06:00:00 56 22.545455 1.919192
2019-01-01 07:00:00 56 22.545455 1.919192
2019-01-01 08:00:00 56 22.545455 1.919192
2019-01-01 09:00:00 56 22.545455 1.919192
2019-01-01 10:00:00 56 22.545455 1.919192