np.zero(df.shape(0),len()cast_list,columns=cast_list)的含义
时间: 2023-06-09 16:07:24 浏览: 62
这是一个创建一个全零数组的操作,数组的行数与 df 的行数相同,列数与 cast_list 的长度相同,并且将 cast_list 作为列名。其中 np 是 numpy 库的缩写,zero 是全零数组的意思,df.shape 返回 df 的行数和列数。而 cast_list 则是一个列表,表示需要创建的列名。因此,这个操作的目的是为了创建一个与 df 行数相同、列数为 cast_list 长度的全零数组,并将 cast_list 作为列名。
相关问题
# SimpleImputer deal with missing value use mean imp = SimpleImputer(missing_values=np.nan, strategy='mean') df_train_col = df_train.columns df_test_col = df_test.columns df_train = imp.fit_transform(df_train) df_test = imp.fit_transform(df_test) df_train = pd.DataFrame(df_train, columns = df_train_col) df_test = pd.DataFrame(df_test, columns = df_test_col)
这段代码使用了Scikit-learn库中的SimpleImputer类来处理缺失值。首先,创建了一个SimpleImputer对象,指定了缺失值的标识为np.nan,替换策略为均值(strategy='mean')。接着,记录了数据集中的列名,以便后续恢复DataFrame格式。然后,对训练集和测试集分别进行均值填充处理,并将结果转换回DataFrame格式,并使用之前记录的列名进行列索引的恢复。这样,就可以在处理缺失值的同时保留数据集的完整性。
import pandas as pd import numpy as np import os from pprint import pprint from pandas import DataFrame from scipy import interpolate data_1_hour_predict_raw = pd.read_excel('./data/附件1 监测点A空气质量预报基础数据.xlsx' ) data_1_hour_actual_raw = pd.read_excel('./data/附件1 监测点A空气质量预报基础数据.xlsx' ) data_1_day_actual_raw = pd.rea df_1_predict = data_1_hour_actual_raw df_1_actual = data_1_day_actual_raw df_1_predict.set_axis( ['time', 'place', 'so2', 'no2', 'pm10', 'pm2.5', 'o3', 'co', 'temperature', 'humidity', 'pressure', 'wind', 'direction'], axis='columns', inplace=True) df_1_actual.set_axis(['time', 'place', 'so2', 'no2', 'pm10', 'pm2.5', 'o3', 'co'], axis='columns', inplace=True) modeltime_df_actual = df_1_actual['time'] modeltime_df_pre = df_1_predict['time'] df_1_actual = df_1_actual.drop(columns=['place', 'time']) df_1_predict = df_1_predict.drop(columns=['place', 'time']) df_1_predict = df_1_predict.replace('—', np.nan) df_1_predict = df_1_predict.astype('float') df_1_predict[df_1_predict < 0] = np.nan # 重新插入time列 df_1_actual.insert(0, 'time', modeltime_df_actual) df_1_predict.insert(0, 'time', modeltime_df_pre) # 线性插值的方法需要单独处理最后一行的数据 data_1_actual = df_1_actual[0:-3] data_1_predict = df_1_predict data_1_predict.iloc[-1:]['pm10'] = 22.0 data_1_actual_knn = df_1_actual[0:-3] data_1_predict_knn: DataFrame = df_1_predict for indexs in data_1_actual.columns: if indexs == 'time': continue data_1_actual['rownum'] = np.arange(data_1_actual.shape[0]) df_nona = data_1_actual.dropna(subset=[indexs]) f = interpolate.interp1d(df_nona['rownum'], df_nona[indexs]) data_1_actual[indexs] = f(data_1_actual['rownum']) data_1_actual = data_1_actual.drop(columns=['rownum']) for indexs in data_1_predict.columns: if indexs == 'time': continue data_1_predict['rownum'] = np.arange(data_1_predict.shape[0]) df_nona = data_1_predict.dropna(subset=[indexs]) f = interpolate.interp1d(df_nona['rownum'], df_nona[indexs]) data_1_predict[indexs] = f(data_1_predict['rownum']) data_1_predict = data_1_predict.drop(columns=['rownum']) writer = pd.E
这段代码主要是对一份空气质量预报基础数据进行处理和插值,具体的解释如下:
1. 导入需要的库和模块:
```
import pandas as pd
import numpy as np
import os
from pprint import pprint
from pandas import DataFrame
from scipy import interpolate
```
2. 读取 excel 文件中的数据:
```
data_1_hour_predict_raw = pd.read_excel('./data/附件1 监测点A空气质量预报基础数据.xlsx' )
data_1_hour_actual_raw = pd.read_excel('./data/附件1 监测点A空气质量预报基础数据.xlsx' )
data_1_day_actual_raw = pd.read_excel('./data/附件1 监测点A空气质量预报基础数据.xlsx' )
```
3. 对读取的数据进行处理:
```
df_1_predict = data_1_hour_actual_raw
df_1_actual = data_1_day_actual_raw
df_1_predict.set_axis( ['time', 'place', 'so2', 'no2', 'pm10', 'pm2.5', 'o3', 'co', 'temperature', 'humidity', 'pressure', 'wind', 'direction'], axis='columns', inplace=True)
df_1_actual.set_axis(['time', 'place', 'so2', 'no2', 'pm10', 'pm2.5', 'o3', 'co'], axis='columns', inplace=True)
```
4. 提取时间列并进行插值:
```
modeltime_df_actual = df_1_actual['time']
modeltime_df_pre = df_1_predict['time']
df_1_actual = df_1_actual.drop(columns=['place', 'time'])
df_1_predict = df_1_predict.drop(columns=['place', 'time'])
df_1_predict = df_1_predict.replace('—', np.nan)
df_1_predict = df_1_predict.astype('float')
df_1_predict[df_1_predict < 0] = np.nan
df_1_actual.insert(0, 'time', modeltime_df_actual)
df_1_predict.insert(0, 'time', modeltime_df_pre)
data_1_actual = df_1_actual[0:-3]
data_1_predict = df_1_predict
data_1_predict.iloc[-1:]['pm10'] = 22.0
data_1_actual_knn = df_1_actual[0:-3]
data_1_predict_knn: DataFrame = df_1_predict
for indexs in data_1_actual.columns:
if indexs == 'time':
continue
data_1_actual['rownum'] = np.arange(data_1_actual.shape[0])
df_nona = data_1_actual.dropna(subset=[indexs])
f = interpolate.interp1d(df_nona['rownum'], df_nona[indexs])
data_1_actual[indexs] = f(data_1_actual['rownum'])
data_1_actual = data_1_actual.drop(columns=['rownum'])
for indexs in data_1_predict.columns:
if indexs == 'time':
continue
data_1_predict['rownum'] = np.arange(data_1_predict.shape[0])
df_nona = data_1_predict.dropna(subset=[indexs])
f = interpolate.interp1d(df_nona['rownum'], df_nona[indexs])
data_1_predict[indexs] = f(data_1_predict['rownum'])
data_1_predict = data_1_predict.drop(columns=['rownum'])
```
5. 最后将处理好的数据写入 excel 文件:
```
writer = pd.ExcelWriter('./data/附件1 监测点A空气质量预报基础数据_preprocessed.xlsx')
data_1_predict.to_excel(writer, sheet_name='1小时预测数据', index=False)
data_1_predict_knn.to_excel(writer, sheet_name='1小时预测数据_knn', index=False)
data_1_actual.to_excel(writer, sheet_name='1天实际数据', index=False)
data_1_actual_knn.to_excel(writer, sheet_name='1天实际数据_knn', index=False)
writer.save()
```
总体来说,这段代码主要是对空气质量预报基础数据进行了一些预处理和插值,最终将处理好的数据写入了 excel 文件中。
相关推荐
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)