构造由不同块组成的pandas.DataFrame的最佳方法
构造由不同块组成的pandas.DataFrame的最佳方法
提问于 2012-03-20 20:49:24
我每天都在批量进行模拟:我做了365次模拟来获得全年的结果。每次运行之后，我希望从结果中提取一些数组，并将它们添加到pandas.DataFrame中，以便稍后进行分析。
我有一个粗略的模型(进行优化)和一个更精确的后仿真模型，所以我可以从两个来源得到相同的变量。如果进行了后仿真，结果可能会覆盖优化结果。
更复杂的是，优化模型的输出间隔较小，取决于离散化设置，但最终的分析将发生在后仿真的较大间隔上)。
构建这个DataFrame的最佳方法是什么？
这是我第一次
- 为全年创建一个空的
DataFramedf，DateRange索引具有更大的模拟后间隔(=15分钟) - 进行1天优化==>创建临时
df_temp，以DateRange为索引，间隔较小 - 将此
DataFrame降为15分钟，如这里所述： - 用
df更新df_temp(除了上次运行的最后一行外，df中的行仍然是空的，所以我必须使用df_temp[1:]) - 对同一天进行仿真==>创建间隔为15 for的临时
df_temp2 - 用
df用df_temp2覆盖相应的行
我应该在步骤4和6中使用哪些方法)？还是从一开始就有更好的方法？谢谢你，咆哮
回答 1
Stack Overflow用户
回答已采纳
发布于 2012-03-23 21:45:21
我认为使用DataFrame.combine_first是可行的方法，但根据数据的规模，使用"update“这样的方法只修改现有DataFrame中的特定行可能更有用。combine_first更通用，并且可能导致结果与任何输入的大小不同(因为索引将被合并在一起)。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/9794697
复制相关文章
相似问题
腾讯云开发者
