首页 / PYTHON / python pandas复数
python pandas复数
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了python pandas复数,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含4867字,纯文字阅读大概需要7分钟。
内容图文
我正在使用pandas,它可以非常有效地按照我需要的方式对数据进行排序/过滤.
此代码工作正常,直到我将最后一列更改为复数;现在我收到一个错误.
return self._cython_agg_general(‘mean’) raise DataError(‘No numeric
types to aggregate’) pandas.core.groupby.DataError: No numeric types
to aggregate
错误是指我的第八列(复数),因为我想要平均值
我找不到将对象转换为复数的方法(据我所知,大熊猫现在支持复数).
这是我使用的代码.
import numpy as np
import pandas as pd
df = pd.read_csv('final.dat', sep=",", header=None)
df.columns=['X.1', 'X.2', 'X.3', 'X.4','X.5', 'X.6', 'X.7', 'X.8']
df1 = df.groupby(["X.1","X.2","X.5"])["X.8"].mean().reset_index()
之后我得到上述错误.
当我读取我的文件时,这是df输出.
<class 'pandas.core.frame.DataFrame'>
Int64Index: 21266 entries, 0 to 21265
Data columns (total 8 columns):
X.1 21266 non-null values
X.2 21266 non-null values
X.3 21266 non-null values
X.4 21266 non-null values
X.5 21266 non-null values
X.6 21266 non-null values
X.7 21266 non-null values
X.8 21266 non-null values
dtypes: float64(4), int64(3), object(1)
这是input file的一小部分样本.
解决方法:
解析不支持直接读取复合体,因此执行以下转换.
In [37]: df['X.8'] = df['X.8'].str.replace('i','j').apply(lambda x: np.complex(x))
In [38]: df
Out[38]:
X.1 X.2 X.3 X.4 X.5 X.6 X.7 X.8
0 564991.15 7371277.89 0 1 1530 0.1 2 (92.289+151.96j)
1 564991.15 7371277.89 0 1 8250 0.1 2 (104.22-43.299j)
2 564991.15 7371277.89 0 1 20370 0.1 2 (78.76-113.52j)
3 564991.15 7371277.89 0 1 33030 0.1 2 (27.141-154.1j)
4 564991.15 7371277.89 0 1 47970 0.1 2 (-30.012-175j)
5 564991.15 7371277.89 0 1 63090 0.1 2 (-118.52-342.43j)
6 564991.15 7371277.89 0 1 93090 0.1 2 (-321.02-1541.5j)
7 564991.15 7371277.89 0 2 1530 0.1 2 (118.73+154.05j)
8 564991.15 7371277.89 0 2 8250 0.1 2 (122.13-45.571j)
9 564991.15 7371277.89 0 2 20370 0.1 2 (93.014-116.03j)
10 564991.15 7371277.89 0 2 33030 0.1 2 (38.56-155.08j)
11 564991.15 7371277.89 0 2 47970 0.1 2 (-20.653-173.83j)
12 564991.15 7371277.89 0 2 63090 0.1 2 (-118.41-340.58j)
13 564991.15 7371277.89 0 2 93090 0.1 2 (-378.71-1554j)
14 564990.35 7371279.17 0 1785 1530 0.1 2 (-15.441+118.3j)
15 564990.35 7371279.17 0 1785 8250 0.1 2 (-7.1735-76.487j)
16 564990.35 7371279.17 0 1785 20370 0.1 2 (-33.847-145.99j)
17 564990.35 7371279.17 0 1785 33030 0.1 2 (-86.035-185.46j)
18 564990.35 7371279.17 0 1785 47970 0.1 2 (-143.37-205.23j)
19 564990.35 7371279.17 0 1785 63090 0.1 2 (-234.67-370.43j)
20 564990.35 7371279.17 0 1785 93090 0.1 2 (-458.69-1561.4j)
21 564990.36 7371279.17 0 1786 1530 0.1 2 (36.129+128.4j)
22 564990.36 7371279.17 0 1786 8250 0.1 2 (39.406-69.607j)
23 564990.36 7371279.17 0 1786 20370 0.1 2 (10.495-139.48j)
24 564990.36 7371279.17 0 1786 33030 0.1 2 (-43.535-178.19j)
25 564990.36 7371279.17 0 1786 47970 0.1 2 (-102.28-196.76j)
26 564990.36 7371279.17 0 1786 63090 0.1 2 (-199.32-362.1j)
27 564990.36 7371279.17 0 1786 93090 0.1 2 (-458.09-1565.6j)
In [39]: df.dtypes
Out[39]:
X.1 float64
X.2 float64
X.3 float64
X.4 int64
X.5 int64
X.6 float64
X.7 int64
X.8 complex128
dtype: object
In [40]: df1 = df.groupby(["X.1","X.2","X.5"])["X.8"].mean().reset_index()
In [41]: df.groupby(["X.1","X.2","X.5"])["X.8"].mean().reset_index()
Out[41]:
X.1 X.2 X.5 X.8
0 564990.35 7371279.17 1530 (-15.441+118.3j)
1 564990.35 7371279.17 8250 (-7.1735-76.487j)
2 564990.35 7371279.17 20370 (-33.847-145.99j)
3 564990.35 7371279.17 33030 (-86.035-185.46j)
4 564990.35 7371279.17 47970 (-143.37-205.23j)
5 564990.35 7371279.17 63090 (-234.67-370.43j)
6 564990.35 7371279.17 93090 (-458.69-1561.4j)
7 564990.36 7371279.17 1530 (36.129+128.4j)
8 564990.36 7371279.17 8250 (39.406-69.607j)
9 564990.36 7371279.17 20370 (10.495-139.48j)
10 564990.36 7371279.17 33030 (-43.535-178.19j)
11 564990.36 7371279.17 47970 (-102.28-196.76j)
12 564990.36 7371279.17 63090 (-199.32-362.1j)
13 564990.36 7371279.17 93090 (-458.09-1565.6j)
14 564991.15 7371277.89 1530 (105.5095+153.005j)
15 564991.15 7371277.89 8250 (113.175-44.435j)
16 564991.15 7371277.89 20370 (85.887-114.775j)
17 564991.15 7371277.89 33030 (32.8505-154.59j)
18 564991.15 7371277.89 47970 (-25.3325-174.415j)
19 564991.15 7371277.89 63090 (-118.465-341.505j)
20 564991.15 7371277.89 93090 (-349.865-1547.75j)
内容总结
以上是互联网集市为您收集整理的python pandas复数全部内容,希望文章能够帮你解决python pandas复数所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。