pandas.loc实现筛切片操作按照步长为2取

您可以使用以下代码实现按步长为2筛选和切片操作：

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：

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：

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。