- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在使用 pandas,它可以非常有效地按照我需要的方式对数据进行排序/过滤。
此代码运行良好,直到我将最后一列更改为复数;现在我得到一个错误。
return self._cython_agg_general('mean') raise DataError('No numeric types to aggregate') pandas.core.groupby.DataError: No numeric types to aggregate
错误指的是我的第八列(带有复数),因为我想要平均值我找不到将对象转换为复数的方法(据我所知, Pandas 现在支持复数)。
这是我使用的代码。
import numpy as np
import pandas as pd
df = pd.read_csv('final.dat', sep=",", header=None)
df.columns=['X.1', 'X.2', 'X.3', 'X.4','X.5', 'X.6', 'X.7', 'X.8']
df1 = df.groupby(["X.1","X.2","X.5"])["X.8"].mean().reset_index()
之后我得到了上述错误。
当我读取我的文件时,这是 df 输出。
<class 'pandas.core.frame.DataFrame'>
Int64Index: 21266 entries, 0 to 21265
Data columns (total 8 columns):
X.1 21266 non-null values
X.2 21266 non-null values
X.3 21266 non-null values
X.4 21266 non-null values
X.5 21266 non-null values
X.6 21266 non-null values
X.7 21266 non-null values
X.8 21266 non-null values
dtypes: float64(4), int64(3), object(1)
这是 input file 的一小部分样本.
最佳答案
parse不支持直接读取complex,所以做下面的转换。
In [37]: df['X.8'] = df['X.8'].str.replace('i','j').apply(lambda x: np.complex(x))
In [38]: df
Out[38]:
X.1 X.2 X.3 X.4 X.5 X.6 X.7 X.8
0 564991.15 7371277.89 0 1 1530 0.1 2 (92.289+151.96j)
1 564991.15 7371277.89 0 1 8250 0.1 2 (104.22-43.299j)
2 564991.15 7371277.89 0 1 20370 0.1 2 (78.76-113.52j)
3 564991.15 7371277.89 0 1 33030 0.1 2 (27.141-154.1j)
4 564991.15 7371277.89 0 1 47970 0.1 2 (-30.012-175j)
5 564991.15 7371277.89 0 1 63090 0.1 2 (-118.52-342.43j)
6 564991.15 7371277.89 0 1 93090 0.1 2 (-321.02-1541.5j)
7 564991.15 7371277.89 0 2 1530 0.1 2 (118.73+154.05j)
8 564991.15 7371277.89 0 2 8250 0.1 2 (122.13-45.571j)
9 564991.15 7371277.89 0 2 20370 0.1 2 (93.014-116.03j)
10 564991.15 7371277.89 0 2 33030 0.1 2 (38.56-155.08j)
11 564991.15 7371277.89 0 2 47970 0.1 2 (-20.653-173.83j)
12 564991.15 7371277.89 0 2 63090 0.1 2 (-118.41-340.58j)
13 564991.15 7371277.89 0 2 93090 0.1 2 (-378.71-1554j)
14 564990.35 7371279.17 0 1785 1530 0.1 2 (-15.441+118.3j)
15 564990.35 7371279.17 0 1785 8250 0.1 2 (-7.1735-76.487j)
16 564990.35 7371279.17 0 1785 20370 0.1 2 (-33.847-145.99j)
17 564990.35 7371279.17 0 1785 33030 0.1 2 (-86.035-185.46j)
18 564990.35 7371279.17 0 1785 47970 0.1 2 (-143.37-205.23j)
19 564990.35 7371279.17 0 1785 63090 0.1 2 (-234.67-370.43j)
20 564990.35 7371279.17 0 1785 93090 0.1 2 (-458.69-1561.4j)
21 564990.36 7371279.17 0 1786 1530 0.1 2 (36.129+128.4j)
22 564990.36 7371279.17 0 1786 8250 0.1 2 (39.406-69.607j)
23 564990.36 7371279.17 0 1786 20370 0.1 2 (10.495-139.48j)
24 564990.36 7371279.17 0 1786 33030 0.1 2 (-43.535-178.19j)
25 564990.36 7371279.17 0 1786 47970 0.1 2 (-102.28-196.76j)
26 564990.36 7371279.17 0 1786 63090 0.1 2 (-199.32-362.1j)
27 564990.36 7371279.17 0 1786 93090 0.1 2 (-458.09-1565.6j)
In [39]: df.dtypes
Out[39]:
X.1 float64
X.2 float64
X.3 float64
X.4 int64
X.5 int64
X.6 float64
X.7 int64
X.8 complex128
dtype: object
In [40]: df1 = df.groupby(["X.1","X.2","X.5"])["X.8"].mean().reset_index()
In [41]: df.groupby(["X.1","X.2","X.5"])["X.8"].mean().reset_index()
Out[41]:
X.1 X.2 X.5 X.8
0 564990.35 7371279.17 1530 (-15.441+118.3j)
1 564990.35 7371279.17 8250 (-7.1735-76.487j)
2 564990.35 7371279.17 20370 (-33.847-145.99j)
3 564990.35 7371279.17 33030 (-86.035-185.46j)
4 564990.35 7371279.17 47970 (-143.37-205.23j)
5 564990.35 7371279.17 63090 (-234.67-370.43j)
6 564990.35 7371279.17 93090 (-458.69-1561.4j)
7 564990.36 7371279.17 1530 (36.129+128.4j)
8 564990.36 7371279.17 8250 (39.406-69.607j)
9 564990.36 7371279.17 20370 (10.495-139.48j)
10 564990.36 7371279.17 33030 (-43.535-178.19j)
11 564990.36 7371279.17 47970 (-102.28-196.76j)
12 564990.36 7371279.17 63090 (-199.32-362.1j)
13 564990.36 7371279.17 93090 (-458.09-1565.6j)
14 564991.15 7371277.89 1530 (105.5095+153.005j)
15 564991.15 7371277.89 8250 (113.175-44.435j)
16 564991.15 7371277.89 20370 (85.887-114.775j)
17 564991.15 7371277.89 33030 (32.8505-154.59j)
18 564991.15 7371277.89 47970 (-25.3325-174.415j)
19 564991.15 7371277.89 63090 (-118.465-341.505j)
20 564991.15 7371277.89 93090 (-349.865-1547.75j)
关于python pandas 复数,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/18919699/
pandas.crosstab 和 Pandas 数据透视表似乎都提供了完全相同的功能。有什么不同吗? 最佳答案 pivot_table没有 normalize争论,不幸的是。 在 crosstab
我能找到的最接近的答案似乎太复杂:How I can create an interval column in pandas? 如果我有一个如下所示的 pandas 数据框: +-------+ |
这是我用来将某一行的一列值移动到同一行的另一列的当前代码: #Move 2014/15 column ValB to column ValA df.loc[(df.Survey_year == 201
我有一个以下格式的 Pandas 数据框: df = pd.DataFrame({'a' : [0,1,2,3,4,5,6], 'b' : [-0.5, 0.0, 1.0, 1.2, 1.4,
所以我有这两个数据框,我想得到一个新的数据框,它由两个数据框的行的克罗内克积组成。正确的做法是什么? 举个例子:数据框1 c1 c2 0 10 100 1 11 110 2 12
TL;DR:在 pandas 中,如何绘制条形图以使其 x 轴刻度标签看起来像折线图? 我制作了一个间隔均匀的时间序列(每天一个项目),并且可以像这样很好地绘制它: intensity[350:450
我有以下两个时间列,“Time1”和“Time2”。我必须计算 Pandas 中的“差异”列,即 (Time2-Time1): Time1 Time2
从这个 df 去的正确方法是什么: >>> df=pd.DataFrame({'a':['jeff','bob','jill'], 'b':['bob','jeff','mike']}) >>> df
我想按周从 Pandas 框架中的列中累积计算唯一值。例如,假设我有这样的数据: df = pd.DataFrame({'user_id':[1,1,1,2,2,2],'week':[1,1,2,1,
数据透视表的表示形式看起来不像我在寻找的东西,更具体地说,结果行的顺序。 我不知道如何以正确的方式进行更改。 df示例: test_df = pd.DataFrame({'name':['name_1
我有一个数据框,如下所示。 Category Actual Predicted 1 1 1 1 0
我有一个 df,如下所示。 df: ID open_date limit 1 2020-06-03 100 1 2020-06-23 500
我有一个 df ,其中包含与唯一值关联的各种字符串。对于这些唯一值,我想删除不等于单独列表的行,最后一行除外。 下面使用 Label 中的各种字符串值与 Item 相关联.所以对于每个唯一的 Item
考虑以下具有相同名称的列的数据框(显然,这确实发生了,目前我有一个像这样的数据集!:() >>> df = pd.DataFrame({"a":range(10,15),"b":range(5,10)
我在 Pandas 中有一个 DF,它看起来像: Letters Numbers A 1 A 3 A 2 A 1 B 1 B 2
如何减去两列之间的时间并将其转换为分钟 Date Time Ordered Time Delivered 0 1/11/19 9:25:00 am 10:58:00 am
我试图理解 pandas 中的下/上百分位数计算,但有点困惑。这是它的示例代码和输出。 test = pd.Series([7, 15, 36, 39, 40, 41]) test.describe(
我有一个多索引数据框,如下所示: TQ bought HT Detailed Instru
我需要从包含值“低”,“中”或“高”的数据框列创建直方图。当我尝试执行通常的df.column.hist()时,出现以下错误。 ex3.Severity.value_counts() Out[85]:
我试图根据另一列的长度对一列进行子串,但结果集是 NaN .我究竟做错了什么? import pandas as pd df = pd.DataFrame([['abcdefghi','xyz'],
我是一名优秀的程序员,十分优秀!