我有一个DataFrame
像这样的东西:
data = [['2019-01-01', .1, .2],
['2019-01-02', .5, .3],
['2019-01-03', .2, .4]]
df = pd.DataFrame(data, columns=['date', 'hour01', 'hour02'])
date hour01 hour02
0 2019-01-01 0.1 0.2
1 2019-01-02 0.5 0.3
2 2019-01-03 0.2 0.4
如何融化它,使我有15分钟的正确间隔?像这样:
timestamp value
0 2019-01-01 00:00:00 0.1
1 2019-01-01 00:15:00 0.1
2 2019-01-01 00:30:00 0.1
3 2019-01-01 00:45:00 0.1
4 2019-01-01 01:00:00 0.2
5 2019-01-01 01:15:00 0.2
6 2019-01-01 01:30:00 0.2
7 2019-01-01 01:45:00 0.2
...
16 2019-01-03 00:00:00 0.2
17 2019-01-03 00:15:00 0.2
18 2019-01-03 00:30:00 0.2
19 2019-01-03 00:45:00 0.2
20 2019-01-03 01:00:00 0.4
21 2019-01-03 01:15:00 0.4
22 2019-01-03 01:30:00 0.4
23 2019-01-03 01:45:00 0.4
df.melt(id_vars=['timestamp'], value_vars=['hour_{}'.format(str(x).zfill(2)) for x in range(1, 24)])
给我这个:
27 2017-01-28 hour_01 34.90
28 2017-01-29 hour_01 36.04
29 2017-01-30 hour_01 36.51
... ... ...
16760 2018-12-02 hour_23 51.50
16761 2018-12-03 hour_23 54.00
16762 2018-12-04 hour_23 53.87
从这里去哪里?
也许您也可以从melt
开始,但是除非出于某种原因需要使用melt
,否则您可以通过以下方式获得它:
'date'
设为datetime
列(如果尚未创建)。 groupby
和apply
,您可以使用pandas date_range为所有时间间隔生成时间戳,并使用numpy repeat来生成小时值。翻译为代码:
df['date'] = pd.to_datetime(df['date'])
ddf = df.groupby('date').apply(lambda row : pd.DataFrame(
{'timestamp' : pd.date_range(row['date'].iloc[0], periods=4*len(df.columns[1:]), freq='15T'),
'value' : np.repeat(np.array([row[col].iloc[0] for col in df.columns[1:]]), 4)}))
ddf.reset_index(inplace=True, drop=True)
ddf
是:
timestamp value
0 2019-01-01 00:00:00 0.1
1 2019-01-01 00:15:00 0.1
2 2019-01-01 00:30:00 0.1
3 2019-01-01 00:45:00 0.1
4 2019-01-01 01:00:00 0.2
5 2019-01-01 01:15:00 0.2
6 2019-01-01 01:30:00 0.2
7 2019-01-01 01:45:00 0.2
8 2019-01-02 00:00:00 0.5
9 2019-01-02 00:15:00 0.5
10 2019-01-02 00:30:00 0.5
11 2019-01-02 00:45:00 0.5
12 2019-01-02 01:00:00 0.3
13 2019-01-02 01:15:00 0.3
14 2019-01-02 01:30:00 0.3
15 2019-01-02 01:45:00 0.3
16 2019-01-03 00:00:00 0.2
17 2019-01-03 00:15:00 0.2
18 2019-01-03 00:30:00 0.2
19 2019-01-03 00:45:00 0.2
20 2019-01-03 01:00:00 0.4
21 2019-01-03 01:15:00 0.4
22 2019-01-03 01:30:00 0.4
23 2019-01-03 01:45:00 0.4