Datetime-Objekte mit pandas meine Funktion

Ich bin neu in der Programmierung, so dass ich entschuldige mich im Voraus, wenn diese Frage keine sens.
Ich habe bemerkt, dass wenn ich versuche zu berechnen, den Mittelwert eines pandas-Daten-frame mit einem date-time-Objekt wie folgt formatiert: datetime.datetime(2014, 7, 10), es kann nicht berechnen, den Mittelwert von es aber es scheint in der Lage zu berechnen, der minimale und maximale Wert, die gleiche Daten-frame mit einem problem. 

d={'one' : Series([1, 2, 3], index=['a', 'b', 'c']), 'two' :Series([datetime.datetime(2014, 7, 9) , datetime.datetime(2014, 7, 10) , datetime.datetime(2014, 7, 11) ], index=['a', 'b', 'c'])}
df=pd.DataFrame(d)

df
Out[18]: 
      one        two    
   a    1 2014-07-09
   b    2 2014-07-10
   c    3 2014-07-11

df.min()
Out[19]: 
   one             1
   two    2014-07-09
dtype: object

df.mean()
Out[20]: 
   one    2
dtype: float64

Ich habe bemerkt, dass der min und der max-Funktion konvertiert alle Spalten an Objekte, wo, wie die meine, die Funktion gibt nur schwimmt.
Könnte jemand mir erklären, warum die Mittelwert-Funktion kann nur mit floats?
Gibt es eine andere Möglichkeit, die ich, um die Mittelwerte der Daten-frame mit einem date-time-Objekt?
Ich kann es umgehen, indem Epoche Zeit (als ganze Zahl), aber es wäre sehr praktisch, wenn es einen direkten Weg. Ich verwende Python 2.7

Ich bin dankbar für alle Hinweise.

  • Ich glaube nicht, Sie können (ich könnte falsch sein) zum Beispiel np.mean(df['two']) wirft eine TypeError umwandeln in int-Werte ist wahrscheinlich die beste Wahl, auch, wenn Sie denken, Sie können nicht durchführen np.sum entweder
InformationsquelleAutor Avelina | 2015-01-12
  1. 5

    Können Sie die datetime.timedelta

    import functools
import operator

d={'one' : Series([1, 2, 3], index=['a', 'b', 'c']), 'two' :Series([datetime.datetime(2014, 7, 9) , datetime.datetime(2014, 7, 10) , datetime.datetime(2014, 7, 11) ], index=['a', 'b', 'c'])}
df = pd.DataFrame(d)

def avg_datetime(series):
    dt_min = series.min()
    deltas = [x-dt_min for x in series]
    return dt_min + functools.reduce(operator.add, deltas) / len(deltas)

print(avg_datetime(df['two']))
    • import-Anweisungen wäre schön Bearbeiten
    • Es sieht aus wie eine große Lösung, aber für meine Daten bekomme ich folgende Fehlermeldung OverflowError: int zu groß, um zu konvertieren. Gibt es eine gute Lösung dazu?
    • Ich habe, wie @S. K., wurde immer OverflowError Sie beim ausführen der oben genannten Funktion. Ich stellte die gleiche Frage und bekam eine bessere Antwort hier: stackoverflow.com/questions/50358564/...
    InformationsquelleAutor Alex
  2. 10

    Vereinfachen Alex ' Antwort (ich würde Hinzugefügt haben, können Sie diese als Kommentar, aber ich habe nicht genügend Ruf):

    import datetime
import pandas as pd

d={'one': pd.Series([1, 2, 3], index=['a', 'b', 'c']), 
   'two': pd.Series([datetime.datetime(2014, 7, 9), 
           datetime.datetime(2014, 7, 10), 
           datetime.datetime(2014, 7, 11) ], 
           index=['a', 'b', 'c'])}
df = pd.DataFrame(d)

    Sieht aus wie:

       one   two
a   1   2014-07-09
b   2   2014-07-10
c   3   2014-07-11

    Dann berechnet den Mittelwert der Spalte "zwei" durch:

    (df.two - df.two.min()).mean() + df.two.min()

    So, subtrahieren Sie die min der timeseries, berechnet den Mittelwert (oder median) der resultierenden timedeltas, und fügen Sie wieder die min.

    InformationsquelleAutor spring
  3. 2

    Dieses Problem ist sozusagen gelöst, als der pandas=0.25. Jedoch bedeuten, können nur die derzeit angewendet werden, um ein datetime-Serie und kein datetime-Serie in ein DataFrame. 

    In [1]: import pandas as pd

In [2]: s = pd.Series([pd.datetime(2014, 7, 9), 
   ...:            pd.datetime(2014, 7, 10), 
   ...:            pd.datetime(2014, 7, 11)])

In [3]: s.mean()
Out[3]: Timestamp('2014-07-10 00:00:00')

    Anwenden .Mittelwert() um einen DataFrame mit einem datetime-Serie liefert das gleiche Ergebnis wie in der ursprünglichen Frage.

    In [4]: df = pd.DataFrame({'numeric':[1,2,3],
   ...:               'datetime':s})

In [5]: df.mean()
Out[5]: 
numeric    2.0
dtype: float64
    InformationsquelleAutor Blane
Schreibe einen Kommentar