Skip to main content
 首页 » 编程设计

python Pandas : Calculations with Two Different Size Dataframes

2024年10月25日11tuyile006

我有两个不同大小的数据框,我想用它们进行计算。第一个数据集是时间序列。第二个数据集是长期的月平均值。

第一个:

     year  month  snow_depth 
0    1979      1   18.322581 
1    1979      2   11.535714 
2    1979      3    5.322581 
3    1979      4    0.300000 
4    1979      5    0.000000 
5    1979      6    0.000000 
6    1979      7    0.000000 
7    1979      8    0.000000 
8    1979      9    0.000000 
9    1979     10    0.322581 
10   1979     11    2.366667 
11   1979     12    1.290323 
12   1980      1    7.838710 
13   1980      2    9.758621 
14   1980      3    3.967742 
15   1980      4    0.000000 
16   1980      5    0.000000 
17   1980      6    0.000000 
18   1980      7    0.000000 
19   1980      8    0.000000 
20   1980      9    0.000000 
21   1980     10    0.000000 
22   1980     11    0.100000 
23   1980     12    0.000000 
24   1981      1    4.290323 
25   1981      2   13.678571 
26   1981      3    2.967742 
27   1981      4    0.066667 
28   1981      5    0.000000 
29   1981      6    0.000000 
30   1981      7    0.000000 
31   1981      8    0.000000 
32   1981      9    0.000000 
33   1981     10    0.387097 
34   1981     11    5.000000 
35   1981     12   15.741935 

第二个:

month             
1       14.385199 
2       15.312301 
3        6.510436 
4        0.268908 
5        0.005819 
6        0.000000 
7        0.000000 
8        0.000000 
9        0.000000 
10       0.363676 
11       2.350980 
12       6.730550 

我使用的代码如下:

oname = 'Z:/Dan/SnowStatData/Monthly/Observations/'+str(stations[c])+'Observations.txt' 
 
df = pd.read_table(oname,sep='\t',usecols=(0,1,2),names=['year','month','snow_depth'],na_values=-999) 
df = df.replace(np.nan,0) 
g = df.groupby(['month']) 
oavg = g.aggregate({'snow_depth':np.average}) 

我试过简单地从原始数据帧中减去 oavg,但第一个数据值最终变成了 NaN(因为它似乎是按 df 的索引而不是月份),然后在索引 #12 之后,我得到了 NaN .是否有一种简单的方法可以遍历每年并减去 oavg,以便我有一个偏离均值的完整时间序列?

编辑:这就是我最终想要的:

     year  month  snow_depth 
0    1979      1   18.322581 - oavg[month=1] 
1    1979      2   11.535714 - oavg[month=2] 
2    1979      3    5.322581 - oavg[month=3] 
3    1979      4    0.300000 - oavg[month=4] 
4    1979      5    0.000000 - oavg[month=5] 
5    1979      6    0.000000 - oavg[month=6] 
6    1979      7    0.000000 - oavg[month=7] 
7    1979      8    0.000000 - oavg[month=8] 
8    1979      9    0.000000 - oavg[month=9] 
9    1979     10    0.322581 - oavg[month=10] 
10   1979     11    2.366667 - oavg[month=11] 
11   1979     12    1.290323 - oavg[month=12] 

然后每年重复:

12   1980      1    7.838710 - oavg[month=1] 
13   1980      2    9.758621 - oavg[month=2] 
14   1980      3    3.967742 - oavg[month=3] 

等等

请您参考如下方法:

试一试。使用 map 直接从您的一系列平均值中提取

df["diff"] = df["snow_depth"] - df["month"].map(nameofyourseries) 
 
        year  month  snow_depth       diff 
0   1979      1   18.322581   3.937382 
1   1979      2   11.535714  -3.776587 
2   1979      3    5.322581  -1.187855 
3   1979      4    0.300000   0.031092 
4   1979      5    0.000000  -0.005819 
5   1979      6    0.000000   0.000000 
6   1979      7    0.000000   0.000000 
7   1979      8    0.000000   0.000000 
8   1979      9    0.000000   0.000000 
9   1979     10    0.322581  -0.041095 
10  1979     11    2.366667   0.015687 
11  1979     12    1.290323  -5.440227 
12  1980      1    7.838710  -6.546489 
13  1980      2    9.758621  -5.553680 
14  1980      3    3.967742  -2.542694 
15  1980      4    0.000000  -0.268908 
16  1980      5    0.000000  -0.005819 
17  1980      6    0.000000   0.000000 
18  1980      7    0.000000   0.000000 
19  1980      8    0.000000   0.000000 
20  1980      9    0.000000   0.000000 
21  1980     10    0.000000  -0.363676 
22  1980     11    0.100000  -2.250980 
23  1980     12    0.000000  -6.730550 
24  1981      1    4.290323 -10.094876 
25  1981      2   13.678571  -1.633730 
26  1981      3    2.967742  -3.542694 
27  1981      4    0.066667  -0.202241 
28  1981      5    0.000000  -0.005819 
29  1981      6    0.000000   0.000000 
30  1981      7    0.000000   0.000000 
31  1981      8    0.000000   0.000000 
32  1981      9    0.000000   0.000000 
33  1981     10    0.387097   0.023421 
34  1981     11    5.000000   2.649020 
35  1981     12   15.741935   9.011385