stats.loc['skew'] = skew(data) stats.loc['kurt'] = kurtosis(data) stats.set_option('display.max_columns', None) print(stats)仍然报上述错误

这个错误是因为你试图将set_option方法应用于DataFrame对象stats。set_option方法是pandas的顶层函数，不能直接应用于DataFrame对象。

你需要将set_option方法应用于pandas模块，而不是DataFrame对象。可以尝试将代码修改为：

import pandas as pd

stats.loc['skew'] = skew(data)
stats.loc['kurt'] = kurtosis(data)
pd.set_option('display.max_columns', None)
print(stats)

这样就可以正确设置pandas的显示选项了。

相关问题

wavelet_df.loc[i] = energy_values发生报错：发生异常: ValueError cannot set a row with mismatched columns File "/Users/dingfengyan/工作/项目开发/哈理工/批量导出功能/binzcsv+feature.py", line 150, in <module> wavelet_df.loc[i] = energy_values ~~~~~~~~~~~~~~^^^ ValueError: cannot set a row with mismatched columns

这个报错是因为在设置`wavelet_df.loc[i]`的时候，`energy_values`的长度与DataFrame的列数不匹配。可能是因为`energy_values`的长度与窗口数量不一致导致的。请确保`energy_values`的长度与窗口数量相同，并且DataFrame的列数已经正确初始化。你可以尝试以下修改：

import os
import struct
import pandas as pd
import numpy as np
import pywt

# 定义窗口大小和步长
window_size = 100
step_size = 50

# 获取当前目录路径
current_dir = os.getcwd()

# 创建原始csv目录
raw_csv_dir = os.path.join(current_dir, '原始csv')
if not os.path.exists(raw_csv_dir):
    os.makedirs(raw_csv_dir)

# 创建时频域特征csv目录
feature_csv_dir = os.path.join(current_dir, '时频域特征csv目录')
if not os.path.exists(feature_csv_dir):
    os.makedirs(feature_csv_dir)

def read_bin_file(file_path):
    # 打开bin文件并读取数据
    with open(file_path, 'rb') as f:
        data = f.read()
    return data

def convert_to_float(data):
    # 将每8个字节转为浮点数
    floats = []
    for i in range(0, len(data), 8):
        float_val = struct.unpack('f', data[i:i+4])[0]
        floats.append(float_val)
    return floats

def calculate_statistics(window_data):
    # 计算统计指标和时频域参数
    mean_value = np.mean(window_data)
    var_value = np.var(window_data)
    rms_value = np.sqrt(np.mean(np.square(window_data)))
    skewness = pd.Series(window_data).skew()
    kurtosis = pd.Series(window_data).kurt()
    crest_factor = np.max(np.abs(window_data)) / rms_value
    peak_factor = np.max(window_data) / rms_value
    impulse_factor = np.max(np.abs(window_data)) / np.mean(np.abs(window_data))
    margin_factor = np.max(np.abs(window_data)) / np.std(window_data)
    return mean_value, var_value, rms_value, skewness, kurtosis, crest_factor, peak_factor, impulse_factor, margin_factor

def calculate_wavelet_energy(window_data):
    # 计算小波能量值
    coeffs = pywt.wavedec(window_data, 'db4', level=16)
    energy_values = [np.sum(np.square(coeff)) for coeff in coeffs]
    return energy_values

# 遍历当前目录及子目录下的所有bin文件
for root, dirs, files in os.walk(current_dir):
    for file in files:
        if file.endswith('.bin'):
            bin_file_path = os.path.join(root, file)
            
            # 读取bin文件
            bin_data = read_bin_file(bin_file_path)
            
            # 转换为浮点数
            floats = convert_to_float(bin_data)
            
            # 创建DataFrame用于存储数据
            df = pd.DataFrame(columns=['1', '2', '3'])
            
            # 将数据按顺序写入DataFrame的列中
            df['1'] = floats[::3]
            df['2'] = floats[1::3]
            df['3'] = floats[2::3]
            
            # 将DataFrame保存为原始csv文件
            csv_file_path = os.path.join(raw_csv_dir, f'{file}.csv')
            df.to_csv(csv_file_path, index=False)
            
            # 创建新的DataFrame用于存储时频域特征数据
            feature_df = pd.DataFrame(columns=[f'{file}_mean', f'{file}_var', f'{file}_rms',
                                               f'{file}_skew', f'{file}_kurtosis', f'{file}_crest',
                                               f'{file}_peak', f'{file}_impulse', f'{file}_margin'])
            
            # 创建新的DataFrame用于存储小波特征数据
            wavelet_df = pd.DataFrame(columns=[f'{file}_energy_{i}' for i in range(1, 17)])
            
            # 对每列进行窗口切片，并计算统计指标和时频域参数
            for col in df.columns:
                col_data = df[col]
                num_windows = (len(col_data) - window_size) // step_size + 1
                
                for i in range(num_windows):
                    window_data = col_data[i*step_size : i*step_size + window_size]
                    
                    # 计算统计指标和时频域参数
                    result = calculate_statistics(window_data)
                    
                    # 将结果添加到时频域特征DataFrame
                    feature_df.loc[i] = result
                    
                    # 计算小波能量值
                    energy_values = calculate_wavelet_energy(window_data)
                    
                    # 将结果添加到小波特征DataFrame
                    wavelet_df.loc[i, [f'{file}_energy_{j+1}' for j in range(len(energy_values))]] = energy_values
            
            # 将时频域特征数据保存为新的csv文件
            feature_csv_file_path = os.path.join(feature_csv_dir, f'{file}.csv')
            feature_df.to_csv(feature_csv_file_path, index=False)
            
            # 将小波特征数据保存为新的csv文件
            wavelet_csv_file_path = os.path.join(feature_csv_dir, f'{file}_wavelet.csv')
            wavelet_df.to_csv(wavelet_csv_file_path, index=False)

print("时频域特征csv文件和小波特征csv文件生成完成")

在上述代码中，我修改了计算小波能量值的部分，使用`wavelet_df.loc[i, [f'{file}_energy_{j+1}' for j in range(len(energy_values))]]`来设置每行的值。这样可以确保`energy_values`的长度与DataFrame的列数匹配。请注意在保存小波特征数据的csv文件时，我将文件名命名为`{file}_wavelet.csv`，以区分时频域特征数据的csv文件。

Traceback (most recent call last): File "D:\kelly\PycharmProjects\pythonProject8\大作业.py", line 39, in <module> ar = sm.tsa.AR(data[col]) File "D:\python3.10\lib\site-packages\statsmodels\tsa\ar_model.py", line 822, in __init__ raise NotImplementedError( NotImplementedError: AR has been removed from statsmodels and replaced with statsmodels.tsa.ar_model.AutoReg.上述代码出现报错

这个错误提示说明您使用的版本的`statsmodels`库已经不再支持使用`AR`方法，而应该使用`AutoReg`方法。您需要将代码中的`AR`替换为`AutoReg`。

以下是示例代码：

import pandas as pd
from scipy.stats import skew, kurtosis
import statsmodels.api as sm

# 读取数据
data = pd.read_csv('data.csv')

# 将非数值类型的值替换为NaN
data = data.apply(pd.to_numeric, errors='coerce')

# 计算均值、标准差、最大值、最小值等统计信息
stats = data.describe()

# 计算偏度和峰度
stats.loc['skew'] = skew(data)
stats.loc['kurt'] = kurtosis(data)

# 计算AR系数
ar_coeffs = []
for col in data.columns:
    ar = sm.tsa.AutoReg(data[col], lags=1, trend='c')
    ar_model = ar.fit(ic='aic')
    ar_coeffs.append(ar_model.params[1])

# 将AR系数添加到统计信息中
stats.loc['AR'] = ar_coeffs

# 打印统计信息
print(stats)

在这个示例代码中，我们将`AR`方法替换为`AutoReg`方法，并且使用`lags`参数指定滞后阶数，使用`trend`参数指定是否包含截距。同时，我们也将`ic`参数移动到了`fit()`方法中。