Python 如何将数据帧转换为二维数组以运行某些计算？

我有以下数据帧：

             timestamp     close
.. .......... ........  ........
86 2017-03-12 14:00:00  0.000077
87 2017-03-12 16:00:00  0.000076
88 2017-03-12 18:00:00  0.000074
89 2017-03-12 20:00:00  0.000073
90 2017-03-12 22:00:00  0.000077
.. .......... ........  ........

我已经原型化了一些使用以下数据的

切线

和

曲率

计算：

np.array([[0.0, 0.0], [0.13216, 0.11837], [0.25379, 0.05027], ... ])

如何从数据帧将numpy数组构造为二维数据，就像上面的数组一样？我猜，

close

数据将是

Y

轴，日期将是

X

数据，可能是这样的：

0,0.1,0.2,0.3…

，因为它们是等距的日期时间对象？所以，可能是这样的：

np.array([[0.0, 0.000077], [0.1, 0.000076], [0.2, 0.05027], [0.3, 0.000074], ... ])

然后，一旦我进行了计算，这将产生一个浮点数，我需要将它添加回pandas数据帧，并确保它与时间戳对齐

             timestamp     close change
.. .......... ........  ........ ......
86 2017-03-12 14:00:00  0.000077 0.00345
87 2017-03-12 16:00:00  0.000076 0.64477
88 2017-03-12 18:00:00  0.000074 0.32356
89 2017-03-12 20:00:00  0.000073 0.13331
90 2017-03-12 22:00:00  0.000077 0.66436
.. .......... ........  ........ .......

我可能可以通过解析数据帧，运行一些for循环来构造数组，并反过来将新列注入数据帧来实现这一点。然而，我很想知道是否有一种优雅的方法可以做到这一点

---（澄清）---

---

所以我不是在进行实际计算。我已经知道怎么做了。但是我的函数需要一个2D数组，如X，Y值。因此，我需要将

date

列转换为X值，然后将

close

列存储为Y值。这样我就可以通过我的计算来运行它。然后，输出将是一个浮点数数组。我需要将这些浮动中的每一个注入到我的pandas数据框架内的一个新列中。执行此操作时，我需要确保每个值都与正确的日期行匹配。

看起来，numpy数组的X列实际上不需要特定的间距。如果没有，可以省略除法步骤

import pandas

#convert the panda column into a 2D numpy array with index and "close" column
nparr = df["close"].reset_index().values 

nparr[:, 0] /= 10      #only, if you really need a 0.1 spacing for this column
print(nparr.dtype)     #is float64 array

#do some calculations for column "change"

df["change"] = nparr[:,0]    #append column that contains "change" values

---

在本例中，我假设您重用numpy数组的第0列来存储计算出的“更改”值。原因是，如果向numpy数组追加一个新列，numpy将复制整个数组。因此，无论出于何种原因，如果您确实希望保留numpy数组的第0列，我宁愿在初始步骤中定义一个包含三列的numpy数组

看起来，numpy数组的X列实际上不需要特定的间距。如果没有，可以省略除法步骤

import pandas

#convert the panda column into a 2D numpy array with index and "close" column
nparr = df["close"].reset_index().values 

nparr[:, 0] /= 10      #only, if you really need a 0.1 spacing for this column
print(nparr.dtype)     #is float64 array

#do some calculations for column "change"

df["change"] = nparr[:,0]    #append column that contains "change" values

---

在本例中，我假设您重用numpy数组的第0列来存储计算出的“更改”值。原因是，如果向numpy数组追加一个新列，numpy将复制整个数组。因此，无论出于何种原因，如果您确实希望保留numpy数组的第0列，我宁愿在初始步骤中定义一个包含三列的numpy数组

您几乎只需要

df.values

属性，尽管您需要首先处理时间：

# Make a dataframe
df = pd.DataFrame(data=dict(timestamp=['2017-03-12 14:00:00', '2017-03-12 16:00:00', '2017-03-12 18:00:00', '2017-03-12 20:00:00', '2017-03-12 22:00:00'], close=[0.000077, 0.000076, 0.000074, 0.000073, 0.000077]))
df['timestamp'] = pd.to_datetime(df['timestamp'])

# Convert timestamp to floats
df['time_as_float'] = df.timestamp.values.astype(float)

# Make input numpy array
values = df[['time_as_float', 'close']].values

# Run through your function
solution = your_function_name(values)

# Save to array
df['solution'] = solution

---

如果您确实希望时间为0.1、0.2等，您可以将

时间\u进一步转换为\u float

列。

您几乎只需要

df.values

属性，尽管您需要先处理时间：

# Make a dataframe
df = pd.DataFrame(data=dict(timestamp=['2017-03-12 14:00:00', '2017-03-12 16:00:00', '2017-03-12 18:00:00', '2017-03-12 20:00:00', '2017-03-12 22:00:00'], close=[0.000077, 0.000076, 0.000074, 0.000073, 0.000077]))
df['timestamp'] = pd.to_datetime(df['timestamp'])

# Convert timestamp to floats
df['time_as_float'] = df.timestamp.values.astype(float)

# Make input numpy array
values = df[['time_as_float', 'close']].values

# Run through your function
solution = your_function_name(values)

# Save to array
df['solution'] = solution

---

如果确实希望时间为0.1、0.2等，可以将

time\u进一步转换为\u float

列。

不清楚需要什么。你有一个函数，但我们将猜如何应用它？你能提供一些关于曲率和切线的上下文吗？这不是问题的一部分。这是一个计算，正在做我需要它做的事情。问题更多的是如何将pandas数据帧的

close

和

date

列组织成2D

[X，Y]

numpy数组。不清楚您想要什么。你有一个函数，但我们将猜如何应用它？你能提供一些关于曲率和切线的上下文吗？这不是问题的一部分。这是一个计算，正在做我需要它做的事情。问题更多的是如何将pandas数据帧的

close

和

date

列组织成2D

[X，Y]

numpy数组。非常感谢！我稍后会对此进行测试。如果你知道时间步长总是等距的，你可以像@Piinthesky建议的那样使用数据帧索引。这可能更简单。这个版本也适用于不均匀采样，所以更通用。非常感谢！我稍后会对此进行测试。如果你知道时间步长总是等距的，你可以像@Piinthesky建议的那样使用数据帧索引。这可能更简单。不过，此版本也适用于不均匀采样，因此更为通用。