pandas.loc实现筛切片操作按照步长为2取
时间: 2024-02-12 08:06:04 浏览: 22
您可以使用以下代码实现按步长为2筛选和切片操作:
```python
import pandas as pd
# 创建一个DF
df = pd.DataFrame({'A': [1, 2, 3, 4, 5], 'B': [6, 7, 8, 9, 10]})
# 按步长为2筛选和切片操作
result = df.loc[::2, :]
print(result)
```
在上面的代码中,`::2` 表示按步长为2进行筛选和切片操作。其中第一个冒号表示从头开始,第二个冒号表示到尾结束,最后一个数字2表示步长为2。这段代码会输出以下结果:
```
A B
0 1 6
2 3 8
4 5 10
```
这里我们使用了 `loc` 函数,它可以根据行标签和列标签进行数据筛选和切片操作。在本例中,我们只使用了行标签,所以列标签部分用了 `:` 表示全部列。
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:
```python
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。
读取当前目录下名字为原始csv文件夹的csv,将csv文件的每列按窗口切片,计算均值、方差、小波1-16的能量值,生成csv文件后存储到名字为特征csv文件目录下,并按原csv文件名+列命名
你可以使用Python的pandas库和os库来完成这个任务。以下是一个示例代码:
```python
import os
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()
# 创建特征csv文件目录
feature_dir = os.path.join(current_dir, '特征csv文件目录')
if not os.path.exists(feature_dir):
os.makedirs(feature_dir)
# 获取当前目录下名字为原始csv文件夹的csv文件
csv_files = [file for file in os.listdir(current_dir) if os.path.isdir(file) and file == '原始csv文件夹']
if len(csv_files) == 0:
print("未找到名为'原始csv文件夹'的文件夹")
exit()
csv_dir = os.path.join(current_dir, csv_files[0])
# 遍历原始csv文件夹中的csv文件
for file in os.listdir(csv_dir):
# 读取csv文件
df = pd.read_csv(os.path.join(csv_dir, file))
# 获取原始数据的列名
column_names = df.columns
# 创建新的DataFrame用于存储结果
result_df = pd.DataFrame(columns=[f'{file}_{col}_mean' for col in column_names] +
[f'{file}_{col}_var' for col in column_names] +
[f'{file}_{col}_energy' for col in column_names])
# 对每列进行窗口切片、计算统计指标和能量值
for col in column_names:
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]
# 计算均值和方差
mean_value = np.mean(window_data)
var_value = np.var(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]
# 将结果添加到新的DataFrame
row = [mean_value] + [var_value] + energy_values
result_df.loc[i] = row
# 将结果保存为新的csv文件
result_file = f'{file}_result.csv'
result_path = os.path.join(feature_dir, result_file)
result_df.to_csv(result_path, index=False)
print("特征csv文件生成完成")
```
以上代码会在当前目录下查找名为'原始csv文件夹'的文件夹,读取其中的csv文件,并对每列进行窗口切片、计算均值、方差和小波1-16的能量值。然后将结果保存到名为'特征csv文件目录'的文件夹下,并按原csv文件名+列命名。请确保在当前目录下存在'原始csv文件夹',并将'特征csv文件目录'替换为你想要存储特征csv文件的目录名。