创建一个空的Pandas DataFrame，然后填充它？ [英] Creating an empty Pandas DataFrame, then filling it?

问题描述

我从大熊猫Data Frame文档开始： http：// pandas.pydata.org/pandas-docs/stable/dsintro.html

我想迭代地在数据框中填充时间序列中的值一种计算。
所以基本上，我想初始化数据帧与列A，B和时间戳行，全部0或全部NaN。

添加初始值，并从之前的行中计算新行数据，例如行[A] [t] =行[A] [t-1] +1左右。

我目前使用的代码如下，但我觉得这是一种丑陋，必须有一种方法来直接使用数据框架，或者只是一个更好的方法。
注意：我使用的是Python 2.7。

  import datetime as dt 
 import pandas as pd 
 import scipy as s 
 
如果__name__ =='__main__'：
 base = dt.datetime.today（）。date（）
 dates = [base-dt .timedelta（days = x）for x in range（0,10）] 
 dates.sort（）
 
 valdict = {} 
 symbols = ['A'，' B'，'C'] 
为符号中的symb：
 valdict [symb] = pd.Series（s.zeros（len（dates）），日期）
 
日期在日期：
如果thedate> date [0]：
 for symb in valdict：
 valdict [symb] [thedate] = 1 + valdict [symb] [thedate  -  dt.timedelta（days = 1）] 
 
 print valdict 
  

解决方案

这里有几个建议： / p>

使用 date_range 索引：

  import datetime 
 import pandas as pd 
 import numpy as np 
 
 todays_date = datetime.datetime.now（）。date（）
 index = pd.date_range（todays_date-datetime.timedelta （10），期间= 10，频率='D'）
 
列= ['A'，'B'，'C'] 
 注意：我们可以通过写入：创建一个空的DataFrame（使用 NaN  s）;  
  df_ = pd.DataFrame（index = index，columns = columns）
 df_ = df_.fillna （0）＃与0而不是NaNs 
  
要对数据进行这些类型的计算，请使用numpy数组：
  data = np.array（[np.arange（10）] * 3）.T 
  
因此，我们可以创建DataFrame：
 在[10]中：df = pd.DataFrame（data，index = index，columns =列）
 
在[11]中：df 
输出[11]：
 ABC 
 2012-11-29 0 0 0 
 2012-11- 30 1 1 1 
 2012-12-01 2 2 2 
 2012-12-02 3 3 3 
 2012-12-03 4 4 4 
 2012-12-04 5 5 5 
 2012-12-05 6 6 6 
 2012-12-06 7 7 7 
 2012-12-07 8 8 8 
 2012-12-08 9 9 9 
  
 
I'm starting from the pandas Data Frame docs here: http://pandas.pydata.org/pandas-docs/stable/dsintro.html

I'd like to iteratively fill the Data Frame with values in a time series kind of calculation.
So basically, I'd like to initialize, data frame with columns A,B and timestamp rows, all 0 or all NaN.

I'd then add initial values and go over this data calculating the new row from the row before, say row[A][t] = row[A][t-1]+1 or so.

I'm currently using the code as below, but I feel it's kind of ugly and there must be a  way to do this with a data frame directly or just a better way in general.
Note: I'm using Python 2.7.
import datetime as dt
import pandas as pd
import scipy as s

if __name__ == '__main__':
    base = dt.datetime.today().date()
    dates = [ base - dt.timedelta(days=x) for x in range(0,10) ]
    dates.sort()

    valdict = {}
    symbols = ['A','B', 'C']
    for symb in symbols:
        valdict[symb] = pd.Series( s.zeros( len(dates)), dates )

    for thedate in dates:
        if thedate > dates[0]:
            for symb in valdict:
                valdict[symb][thedate] = 1+valdict[symb][thedate - dt.timedelta(days=1)]

    print valdict

解决方案
Here's a couple of suggestions:

Use date_range for the index:
import datetime
import pandas as pd
import numpy as np

todays_date = datetime.datetime.now().date()
index = pd.date_range(todays_date-datetime.timedelta(10), periods=10, freq='D')

columns = ['A','B', 'C']
Note: we could create an empty DataFrame (with NaNs) simply by writing:
df_ = pd.DataFrame(index=index, columns=columns)
df_ = df_.fillna(0) # with 0s rather than NaNs
To do these type of calculations for the data, use a numpy array:
data = np.array([np.arange(10)]*3).T
Hence we can create the DataFrame:
In [10]: df = pd.DataFrame(data, index=index, columns=columns)

In [11]: df
Out[11]: 
            A  B  C
2012-11-29  0  0  0
2012-11-30  1  1  1
2012-12-01  2  2  2
2012-12-02  3  3  3
2012-12-03  4  4  4
2012-12-04  5  5  5
2012-12-05  6  6  6
2012-12-06  7  7  7
2012-12-07  8  8  8
2012-12-08  9  9  9


                        
这篇关于创建一个空的Pandas DataFrame，然后填充它？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！