resampling danych nie z serii czasowych

Question

Mam pewne dane, którymi operuję z ramkami danych i pandami. Zawierają około 10 000 wierszy i 6 kolumn.

Problem polega na tym, że wykonałem kilka prób, a różne zestawy danych mają nieco inne numery indeksów. (Jest to test "na siłę" z kilkoma materiałami i oczywiście punkty pomiarowe nie są idealnie dopasowane.)

Teraz mój pomysł polegał na "ponownym próbkowaniu" danych przy użyciu indeksu, który zawiera wartość dla długości . Wygląda na to, że funkcja ponownego próbkowania w pandach jest dostępna tylko dla datateków typu data/godzina.

Próbowałem przekonwertować indeks przez to_datetime i powiodło się. Ale po ponownym próbowaniu, muszę wrócić do oryginalnej skali. jakiś rodzaj funkcji from_datetime.

Czy jest jakiś sposób?

Czy jestem na zupełnie niewłaściwej ścieżce i powinienem lepiej korzystać z funkcji takich jak groupby?

Dziękuję już!

Edit:

Przepraszamy za nie pytając wystarczająco jasno. Jestem bardzo niedoświadczonym użytkownikiem python i nowym na tym forum ..

Dane jak poniżej. Długość jest używana jako indeks. Z tych Dataframes mam kilka tak, że byłoby naprawdę fajnie przypisać je wszystkim do tego samego "framerate", a następnie je wyciąć np. dzięki czemu mogę porównywać różne zestawy danych.

Idea Próbowałem już było to jedno:

df_1_dt = df_1 #generate a table for the conversion 
    df_1_dt.index = pd.to_datetime(df_1_dt.index, unit='s') # convert it simulating seconds.. good idea?! 
    df_1_dt_rs= df_1_dt # generate a df for the resampling 
    df_1_dt_rs = df_1_dt_rs.resample (rule='s') #resample by the generatet time 

danych:

+---------------------------------------------------+ 
¦ Index (Lenght) ¦ Force1  ¦ Force2  ¦ 
¦-------------------+---------------+---------------¦ 
¦ 8.04662074828e-06 ¦ 4.74251270294 ¦ 4.72051584721 ¦ 
¦ 8.0898882798e-06 ¦ 4.72051584721 ¦ 4.72161570191 ¦ 
¦ 1.61797765596e-05 ¦ 4.69851899147 ¦ 4.72271555662 ¦ 
¦ 1.65476570973e-05 ¦ 4.65452528 ¦ 4.72491526604 ¦ 
¦ 2.41398605024e-05 ¦ 4.67945501539 ¦ 4.72589291467 ¦ 
¦ 2.42696630876e-05 ¦ 4.70438475079 ¦ 4.7268705633 ¦ 
¦ 9.60953101751e-05 ¦ 4.72931448619 ¦ 4.72784821192 ¦ 
¦ 0.00507703541206 ¦ 4.80410369237 ¦ 4.73078115781 ¦ 
¦ 0.00513927175509 ¦ 4.87889289856 ¦ 4.7337141037 ¦ 
¦ 0.00868965311878 ¦ 4.9349848032 ¦ 4.74251282215 ¦ 
¦ 0.00902026197556 ¦ 4.99107670784 ¦ 4.7513115406 ¦ 
¦ 0.00929150878827 ¦ 5.10326051712 ¦ 4.76890897751 ¦ 
¦ 0.0291729332784 ¦ 5.14945375919 ¦ 4.78650641441 ¦ 
¦ 0.0296332588857 ¦ 5.17255038023 ¦ 4.79530513287 ¦ 
¦ 0.0297080942518 ¦ 5.19564700127 ¦ 4.80410385132 ¦ 
¦ 0.0362595526707 ¦ 5.2187436223 ¦ 4.54 ¦ 
¦ 0.0370305483177 ¦ 5.24184024334 ¦ 4.81290256977 ¦ 
¦ 0.0381506204153 ¦ 5.28803348541 ¦ 4.82170128822 ¦ 
¦ 0.0444440795306 ¦ 5.30783069134 ¦ 4.83050000668 ¦ 
¦ 0.0450121369102 ¦ 5.3177292943 ¦ 4.8348993659 ¦ 
¦ 0.0453465140473 ¦ 5.32762789726 ¦ 4.83929872513 ¦ 
¦ 0.0515533437013 ¦ 5.33752650023 ¦ 4.85359662771 ¦ 
¦ 0.05262489708  ¦ 5.34742510319 ¦ 4.8678945303 ¦ 
¦ 0.0541273847206 ¦ 5.36722230911 ¦ 4.89649033546 ¦ 
¦ 0.0600755845953 ¦ 5.37822067738 ¦ 4.92508614063 ¦ 
¦ 0.0607712385295 ¦ 5.38371986151 ¦ 4.93938404322 ¦ 
¦ 0.0612954159368 ¦ 5.38921904564 ¦ 4.9536819458 ¦ 
¦ 0.0670288249293 ¦ 5.39471822977 ¦ 4.97457891703 ¦ 
¦ 0.0683640870058 ¦ 5.4002174139 ¦ 4.99547588825 ¦ 
¦ 0.0703192637772 ¦ 5.41121578217 ¦ 5.0372698307 ¦ 
¦ 0.0757871634772 ¦ 5.43981158733 ¦ 5.07906377316 ¦ 
¦ 0.0766597757545 ¦ 5.45410948992 ¦ 5.09996074438 ¦ 
¦ 0.077317850103 ¦ 5.4684073925 ¦ 5.12085771561 ¦ 
¦ 0.0825991083545 ¦ 5.48270529509 ¦ 5.13295596838 ¦ 
¦ 0.0841354654428 ¦ 5.49700319767 ¦ 5.14505422115 ¦ 
¦ 0.0865525182528 ¦ 5.52559900284 ¦ 5.1692507267 ¦ 
+---------------------------------------------------+ 

Answer 1

Brzmi to wszystko, co chcesz zrobić jest okrągła figur długości do dolnej precyzją.

Jeśli jest to przypadek, można po prostu użyć wbudowanej funkcji zaokrągleń:

(dane manekina)

>>> df=pd.DataFrame([[1.0000005,4],[1.232463632,5],[5.234652,9],[5.675322,10]],columns=['length','force']) 
>>> df 
33:  length force 
0 1.000001  4 
1 1.232464  5 
2 5.234652  9 
3 5.675322  10 
>>> df['rounded_length'] = df.length.apply(round, ndigits=0) 
>>> df 
34:  length force rounded_length 
0 1.000001  4    1.0 
1 1.232464  5    1.0 
2 5.234652  9    5.0 
3 5.675322  10    6.0 
>>> 

Następnie można powtórzyć resample() .... przepływu pracy za pomocą groupby:

>>> df.groupby('rounded_length').mean().force 
35: rounded_length 
1.0  4.5 
5.0  9.0 
6.0 10.0 
Name: force, dtype: float64 

Ogólnie, resamplej tylko dla dat. Jeśli używasz go do czegoś innego niż daty, prawdopodobnie istnieje bardziej eleganckie rozwiązanie!