Python 熊猫们又迈了一大步，一行一行地切着
以下是我掌握的数据：Python 熊猫们又迈了一大步，一行一行地切着,python,python-3.x,pandas,Python,Python 3.x,Pandas,以下是我掌握的数据： o h l c time 2019.02.04 01:21:00 x x x x 2019.02.04 01:22:00 x x x x 2019.02.04 01:23:00 x x x x 2019.02.04 01:24:00 x x x x 2019.02.04 01:25:00 x x x x 2019.02.04 01:2
o h l c
time
2019.02.04 01:21:00 x x x x
2019.02.04 01:22:00 x x x x
2019.02.04 01:23:00 x x x x
2019.02.04 01:24:00 x x x x
2019.02.04 01:25:00 x x x x
2019.02.04 01:26:00 x x x x
2019.02.04 01:27:00 x x x x
2019.02.04 01:28:00 x x x x
2019.02.04 01:29:00 x x x x
2019.02.04 01:30:00 x x x x
2019.02.04 01:31:00 x x x x
2019.02.04 01:32:00 x x x x
2019.02.04 01:33:00 x x x x
2019.02.04 01:34:00 x x x x
2019.02.04 01:35:00 x x x x
2019.02.04 01:36:00 x x x x
2019.02.04 01:37:00 x x x x
2019.02.04 01:38:00 x x x x
2019.02.04 01:39:00 x x x x
2019.02.04 01:40:00 x x x x
2019.02.04 01:41:00 x x x x
2019.02.04 01:42:00 x x x x
2019.02.04 01:43:00 x x x x
2019.02.04 01:44:00 x x x x
2019.02.04 01:45:00 x x x x
索引df_candle = df[5:400+2]
5到402的简单系列。我想它会帮助我用2跳
我期望结果如下：
time,o,h,l,c
2019.02.04 01:21:00,x,x,x,x
2019.02.04 01:22:00,x,x,x,x
2019.02.04 01:23:00,x,x,x,x
2019.02.04 01:26:00,x,x,x,x
2019.02.04 01:27:00,x,x,x,x
2019.02.04 01:28:00,x,x,x,x
2019.02.04 01:31:00,x,x,x,x
2019.02.04 01:32:00,x,x,x,x
2019.02.04 01:33:00,x,x,x,x
2019.02.04 01:36:00,x,x,x,x
2019.02.04 01:37:00,x,x,x,x
2019.02.04 01:38:00,x,x,x,x
2019.02.04 01:41:00,x,x,x,x
2019.02.04 01:42:00,x,x,x,x
2019.02.04 01:43:00,x,x,x,x
请让我知道我能做什么。试试：
df1=df[5:400]
print(df1.drop([i for i in df1.index.tolist() if (str(i)[-1] in ['8','9']) or (str(i+5)[-1] in ['8','9'])]))
输出：
time o h l c
5 2019.02.04 01:26:00 1.14558 1.14558 1.14556 1.14556
6 2019.02.04 01:27:00 1.14556 1.14556 1.14556 1.14556
7 2019.02.04 01:28:00 1.14556 1.14556 1.14549 1.14551
10 2019.02.04 01:31:00 1.14554 1.14554 1.14546 1.14546
11 2019.02.04 01:32:00 1.14551 1.14551 1.14541 1.14544
12 2019.02.04 01:33:00 1.14543 1.14543 1.14541 1.14541
15 2019.02.04 01:36:00 1.14557 1.14558 1.14553 1.14556
16 2019.02.04 01:37:00 1.14556 1.14556 1.14556 1.14556
17 2019.02.04 01:38:00 1.14557 1.14557 1.14556 1.14556
20 2019.02.04 01:41:00 1.14555 1.14555 1.14555 1.14555
21 2019.02.04 01:42:00 1.14555 1.14555 1.14551 1.14551
22 2019.02.04 01:43:00 1.14555 1.14555 1.14551 1.14551
尝试：
输出：
time o h l c
5 2019.02.04 01:26:00 1.14558 1.14558 1.14556 1.14556
6 2019.02.04 01:27:00 1.14556 1.14556 1.14556 1.14556
7 2019.02.04 01:28:00 1.14556 1.14556 1.14549 1.14551
10 2019.02.04 01:31:00 1.14554 1.14554 1.14546 1.14546
11 2019.02.04 01:32:00 1.14551 1.14551 1.14541 1.14544
12 2019.02.04 01:33:00 1.14543 1.14543 1.14541 1.14541
15 2019.02.04 01:36:00 1.14557 1.14558 1.14553 1.14556
16 2019.02.04 01:37:00 1.14556 1.14556 1.14556 1.14556
17 2019.02.04 01:38:00 1.14557 1.14557 1.14556 1.14556
20 2019.02.04 01:41:00 1.14555 1.14555 1.14555 1.14555
21 2019.02.04 01:42:00 1.14555 1.14555 1.14551 1.14551
22 2019.02.04 01:43:00 1.14555 1.14555 1.14551 1.14551
IIUC，你在寻找可变步长切片。我能想到的一个选项是使用groupby
和cumcount
构建过滤器掩码：
df[df.groupby(pd.RangeIndex(len(df)) // 5).cumcount() < 3]
o h l c
time
2019.02.04 01:21:00 x x x x
2019.02.04 01:22:00 x x x x
2019.02.04 01:23:00 x x x x
2019.02.04 01:26:00 x x x x
2019.02.04 01:27:00 x x x x
2019.02.04 01:28:00 x x x x
2019.02.04 01:31:00 x x x x
2019.02.04 01:32:00 x x x x
2019.02.04 01:33:00 x x x x
2019.02.04 01:36:00 x x x x
2019.02.04 01:37:00 x x x x
2019.02.04 01:38:00 x x x x
2019.02.04 01:41:00 x x x x
2019.02.04 01:42:00 x x x x
2019.02.04 01:43:00 x x x x
df[df.groupby（pd.RangeIndex（len（df））//5.cumcount（）<3]
o h l c
时间
2019.02.04 01:21:00 x x
2019.02.04 01:22:00 x x
2019.02.04 01:23:00 x x
2019.02.04 01:26:00 x x
2019.02.04 01:27:00 x x
2019.02.04 01:28:00 x x
2019.02.04 01:31:00 x x
2019.02.04 01:32:00 x x
2019.02.04 01:33:00 x x
2019.02.04 01:36:00 x x
2019.02.04 01:37:00 x x
2019.02.04 01:38:00 x x
2019.02.04 01:41:00 x x
2019.02.04 01:42:00 x x
2019.02.04 01:43:00 x x
IIUC，您正在寻找可变步长切片。我能想到的一个选项是使用groupby
和cumcount
构建过滤器掩码：
df[df.groupby(pd.RangeIndex(len(df)) // 5).cumcount() < 3]
o h l c
time
2019.02.04 01:21:00 x x x x
2019.02.04 01:22:00 x x x x
2019.02.04 01:23:00 x x x x
2019.02.04 01:26:00 x x x x
2019.02.04 01:27:00 x x x x
2019.02.04 01:28:00 x x x x
2019.02.04 01:31:00 x x x x
2019.02.04 01:32:00 x x x x
2019.02.04 01:33:00 x x x x
2019.02.04 01:36:00 x x x x
2019.02.04 01:37:00 x x x x
2019.02.04 01:38:00 x x x x
2019.02.04 01:41:00 x x x x
2019.02.04 01:42:00 x x x x
2019.02.04 01:43:00 x x x x
df[df.groupby（pd.RangeIndex（len（df））//5.cumcount（）<3]
o h l c
时间
2019.02.04 01:21:00 x x
2019.02.04 01:22:00 x x
2019.02.04 01:23:00 x x
2019.02.04 01:26:00 x x
2019.02.04 01:27:00 x x
2019.02.04 01:28:00 x x
2019.02.04 01:31:00 x x
2019.02.04 01:32:00 x x
2019.02.04 01:33:00 x x
2019.02.04 01:36:00 x x
2019.02.04 01:37:00 x x
2019.02.04 01:38:00 x x
2019.02.04 01:41:00 x x
2019.02.04 01:42:00 x x
2019.02.04 01:43:00 x x
Jump不能像现在这样工作expecting@coldspeed您测试过我提供的样品了吗？测试结果是否相同？没有，但仍然不清楚您想要什么，因为预期输出与您问题中的描述不同。@coldspeed先生，我已经显示了我的预期。我尝试了一些本可以帮助我的方法，但事实并非如此。我想得到预期结果中所示的输出expecting@coldspeed您测试过我提供的样品了吗？测试结果是否相同？没有，但仍然不清楚您想要什么，因为预期输出与您问题中的描述不同。@coldspeed先生，我已经显示了我的预期。我尝试了一些本可以帮助我的方法，但事实并非如此。我想得到预期的结果。先生，你看到我的数据了吗？你给出的解决方案不起作用，给了我同样的结果。我也粘贴了预期的结果。@JafferWilson为什么，它给了我预期的结果，如果你尝试了print（df[5:400][：：2]）
？我得到的结果是：你看到的不是预期的结果，先生。@JafferWilson对不起，你能解释一下逻辑吗？当然，我从某一行到某一行取值。在这中间，我保留前三行，删除下两行，然后再次保留三行，删除两行。等等我清楚了吗，先生？先生你看到我的数据了吗？你给出的解决方案不起作用，给了我同样的结果。我也粘贴了预期的结果。@JafferWilson为什么，它给了我预期的结果，如果你尝试了print（df[5:400][：：2]）
？我得到的结果是：你看到的不是预期的结果，先生。@JafferWilson对不起，你能解释一下逻辑吗？当然，我从某一行到某一行取值。在这中间，我保留前三行，删除下两行，然后再次保留三行，删除两行。等等我明白了吗，先生？我能从一个可能的点开始吗？例如，如果我只想从5到400获取数据帧，而不应该使用rest，那么我可以这样做吗？@JafferWilson是第一步；执行df1=df.iloc[5:400]
，然后您可以在df1
上运行此代码。我可以从一个可能的点开始吗？例如，如果我只想从5到400获取数据帧，而不应该使用rest，那么我可以这样做吗？@JafferWilson是第一步；执行df1=df.iloc[5:400]
，然后可以在df1
上运行此代码。