可是print(df_data)时显示有数据

时间: 2024-02-21 10:58:30 浏览: 26
如果 `print(df_data)` 显示有数据,那么就有可能是 `pd.concat()` 这个函数的问题。你可以尝试使用 `pd.DataFrame()` 函数创建一个空的 DataFrame,然后在循环中使用 `df.append()` 方法将每次计算得到的 `price_data` 数据框添加到空的 DataFrame 中,最后再将这个 DataFrame 与其他数据框连接起来。具体代码如下所示: ``` matrix1 = pd.DataFrame() for j in range(1, 8): df_data = pd.DataFrame() for i in range(0, 14): # ... df_data = df_data.append(price_data) matrix1 = pd.concat([matrix1, df_data], ignore_index=True) ``` 这样就可以避免在连接空列表时出现"No objects to concatenate"的提示了。
相关问题

将test5_df1.csv文件中的数据导入名为df1_data的数据框,将test5_df2.csv文件中的数据导入名为df2_data的数据框。

可以使用pandas库中的read_csv函数将csv文件导入为数据框。具体操作如下: ```python import pandas as pd # 导入test5_df1.csv文件为df1_data数据框 df1_data = pd.read_csv('test5_df1.csv') # 导入test5_df2.csv文件为df2_data数据框 df2_data = pd.read_csv('test5_df2.csv') ``` 其中,read_csv函数的参数为csv文件的路径。导入成功后,可以通过打印数据框的方式查看数据的情况,例如: ```python print(df1_data.head()) # 查看df1_data的前5行数据 print(df2_data.tail()) # 查看df2_data的后5行数据 ```

如何使用循环输出df_A_0 = df_normalized_data[kms.labels_ == 0] df_A_1 = df_normalized_data[kms.labels_ == 1] df_A_2 = df_normalized_data[kms.labels_ == 2] df_A_3 = df_normalized_data[kms.labels_ == 3] df_A_4 = df_normalized_data

可以使用循环语句来遍历每一个聚类标签,然后根据标签提取出对应的数据,示例如下: ``` for i in range(5): df_A = df_normalized_data[kms.labels_ == i] print(f"df_A_{i}:") print(df_A) ``` 这个示例中使用 for 循环遍历了 5 个标签,每次提取对应标签的数据并赋值给 df_A,然后输出 df_A 的名称以及对应的数据。这样可以自动化地输出每一类的数据,避免了手动重复编写代码的麻烦。

相关推荐

import numpy as np import pandas as pd from scipy.stats import kstest #from sklearn import preprocessing # get a column from dataframe def select_data(data, ny): yName = data.columns[ny] Y = data[yName] return Y # see which feature is normally distributed from dataframe def normal_test(df): for i in range(len(df.columns)): y = select_data(df,i) p = kstest(y,'norm') print("feature {}, p-value = {}".format(i,p[1])) # rescale feature i in dataframe def standard_rescale(df, i): y = select_data(df,i) m = np.mean(y) s = np.std(y) y = (y-m)/s return y # log-transform feature of dataframe def log_transform(df,i): y = select_data(df,i) y = np.log(y) return y # square root transform feature of dataframe def sqrt_transform(df,i): y = select_data(df,i) y = np.sqrt(y) return y # cube root transform feature of dataframe def cbrt_transform(df,i): y = select_data(df,i) y = np.cbrt(y) return y # transform dataframe into one of: standard, log, sqrt, cbrt def transform_dataframe(df, transformation): df_new = [] if transformation == "standard": for i in range(len(df.columns)-1): y = standard_rescale(df,i) df_new.append(y) df_new.append(df.iloc[:,no_feats]) elif transformation == "log": for i in range(len(df.columns)-1): y = log_transform(df,i) df_new.append(y) df_new.append(df.iloc[:,no_feats]) elif transformation == "sqrt": for i in range(len(df.columns)-1): y = sqrt_transform(df,i) df_new.append(y) df_new.append(df.iloc[:,no_feats]) elif transformation == "cbrt": for i in range(len(df.columns)-1): y = cbrt_transform(df,i) df_new.append(y) df_new.append(df.iloc[:,no_feats]) else: return "wrong arguments" df_new = pd.DataFrame(df_new) df_new = df_new.T return df_new df = pd.read_csv('iris.csv') no_feats = 4 df.columns =['0', '1', '2', '3', '4'] #normal_test(df) df_standard = transform_dataframe(df, "standard") #df_log = transform_dataframe(df, "log") #df_sqrt = transform_dataframe(df, "sqrt") #df_cbrt = transform_dataframe(df, "cbrt") #df_wrong = transform_dataframe(df, "lo") #print("standard-----------------------------------------") #normal_test(df_standard) #print("log-----------------------------------------") #normal_test(df_log) #print("square root-----------------------------------------") #normal_test(df_sqrt) #print("cube root-----------------------------------------") #normal_test(df_cbrt) result = df_standard # create new csv file with new dataframe result.to_csv(r'iris_std.csv', index = False, header=True)解释每一行代码

最新推荐

recommend-type

Maven 下载、安装、配置与使用教程

Maven 下载、安装、配置与使用教程。含maven程序 markdown文本,请使用vscode等代码编辑器查看!!!
recommend-type

起重机械维护保养工艺通则.docx

起重机械维护保养工艺通则.docx
recommend-type

起重机控制部分故障及排除方法表.docx

起重机控制部分故障及排除方法表.docx
recommend-type

试验材料留样期限统计表.docx

试验材料留样期限统计表.docx
recommend-type

龙门吊纠偏装置安装情况调查表.xlsx

龙门吊纠偏装置安装情况调查表.xlsx
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

优化MATLAB分段函数绘制:提升效率,绘制更快速

![优化MATLAB分段函数绘制:提升效率,绘制更快速](https://ucc.alicdn.com/pic/developer-ecology/666d2a4198c6409c9694db36397539c1.png?x-oss-process=image/resize,s_500,m_lfit) # 1. MATLAB分段函数绘制概述** 分段函数绘制是一种常用的技术,用于可视化不同区间内具有不同数学表达式的函数。在MATLAB中,分段函数可以通过使用if-else语句或switch-case语句来实现。 **绘制过程** MATLAB分段函数绘制的过程通常包括以下步骤: 1.
recommend-type

SDN如何实现简易防火墙

SDN可以通过控制器来实现简易防火墙。具体步骤如下: 1. 定义防火墙规则:在控制器上定义防火墙规则,例如禁止某些IP地址或端口访问,或者只允许来自特定IP地址或端口的流量通过。 2. 获取流量信息:SDN交换机会将流量信息发送给控制器。控制器可以根据防火墙规则对流量进行过滤。 3. 过滤流量:控制器根据防火墙规则对流量进行过滤,满足规则的流量可以通过,不满足规则的流量则被阻止。 4. 配置交换机:控制器根据防火墙规则配置交换机,只允许通过满足规则的流量,不满足规则的流量则被阻止。 需要注意的是,这种简易防火墙并不能完全保护网络安全,只能起到一定的防护作用,对于更严格的安全要求,需要
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。