数据帧中从第一行开始的间隔[python 3.6.0]

2024-08-21Python开发问题

本文介绍了数据帧中从第一行开始的间隔[python 3.6.0]的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着跟版网的小编来一起学习吧！

问题描述

以下数据的时间间隔为5分钟，正在尝试将其分组为10分钟

数据帧名称为df：

script_id	DATE_TIME	打开	高	低	关闭	音量
201	2019-01-01 10：45：00	1492.9	1493.85	1492.15	1492.9	7189
201	2019-01-01 10：50：00	1492.9	1495.95	1492.2	1495.85	15440
201	2019-01-01 10：55：00	1495.85	1495.95	1494	1494.5	8360
201	2019-01-01 11：00：00	1494.5	1494.5	1492	1492.05	9910
201	2019-01-01 11：05：00	1492.05	1493.9	1492	1493.35	14961
201	2019-01-01 11：10：00	1493.4	1493.4	1488	1489.25	16493
201	2019-01-01 11：15：00	1489.25	1492	1489.25	1490.6	14590
201	2019-01-01 11：20：00	1490.6	1491.65	1490	1491.5	3470

执行以下代码时：

df_f = df.groupby(['script_id', pd.Grouper(key='date_time', freq=f'{tf}T')])
                            .agg(open=pd.NamedAgg(column='open', aggfunc='first'),
                                high=pd.NamedAgg(column='high', aggfunc='max'),
                                low=pd.NamedAgg(column='low', aggfunc='min'),
                                close=pd.NamedAgg(column='close', aggfunc='last'),
                                volume=pd.NamedAgg(column='volume', aggfunc='sum'))
                                .reset_index()
                print(df_f)

结果为(已从此处删除不需要的详细信息)：

DATE_TIME
2019-01-01 10：40：00
2019-01-01 10：50：00
2019-01-01 11：00：00
2019-01-01 11：10：00

但应该是(已从此处删除不需要的详细信息)：-(预期结果)

DATE_TIME
2019-01-01 10：45：00
2019-01-01 10：55：00
2019-01-01 11：05：00
2019-01-01 11：15：00

推荐答案

在调用pd.Grouper(... offset="5T")

时似乎只需要提供偏移量参数

df_f = df.groupby(['script_id', pd.Grouper(key='date_time', freq='10T', offset="5T")])
                            .agg(open=pd.NamedAgg(column='open', aggfunc='first'),
                                high=pd.NamedAgg(column='high', aggfunc='max'),
                                low=pd.NamedAgg(column='low', aggfunc='min'),
                                close=pd.NamedAgg(column='close', aggfunc='last'),
                                volume=pd.NamedAgg(column='volume', aggfunc='sum'))
                                .reset_index()

print(df_f)
   script_id           date_time     open     high      low    close  volume
0        201 2019-01-01 10:45:00  1492.90  1495.95  1492.15  1495.85   22629
1        201 2019-01-01 10:55:00  1495.85  1495.95  1492.00  1492.05   18270
2        201 2019-01-01 11:05:00  1492.05  1493.90  1488.00  1489.25   31454
3        201 2019-01-01 11:15:00  1489.25  1492.00  1489.25  1491.50   18060

旧版本的pandas.Grouper对象使用base而不是offset。pd.Grouper(..., base=5)

>>> df_f = df.groupby(['script_id', pd.Grouper(key='date_time', freq=f'10T', base=5)])
                            .agg(open=pd.NamedAgg(column='open', aggfunc='first'),
                                high=pd.NamedAgg(column='high', aggfunc='max'),
                                low=pd.NamedAgg(column='low', aggfunc='min'),
                                close=pd.NamedAgg(column='close', aggfunc='last'),
                                volume=pd.NamedAgg(column='volume', aggfunc='sum'))
                                .reset_index()

print(df_f)
   script_id           date_time     open     high      low    close  volume
0        201 2019-01-01 10:45:00  1492.90  1495.95  1492.15  1495.85   22629
1        201 2019-01-01 10:55:00  1495.85  1495.95  1492.00  1492.05   18270
2        201 2019-01-01 11:05:00  1492.05  1493.90  1488.00  1489.25   31454
3        201 2019-01-01 11:15:00  1489.25  1492.00  1489.25  1491.50   18060

这篇关于数据帧中从第一行开始的间隔[python 3.6.0]的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持跟版网！

The End

相关推荐

在xarray中按单个维度的多个坐标分组

Pandas中的GROUP BY AND SUM不丢失列

pandas 有从特定日期开始的按月分组的方式吗？

GROUP BY+新列+基于条件的前一行抓取值

PANDA中的Groupby算法和插值算法

PANAS-基于列对行进行分组，并将NaN替换为非空值

热门文章

热门精品源码

最新VIP资源