如何获得特定时间跨度的平均值答案

【问题标题】：How to get the mean of a specific span of time如何获得特定时间跨度的平均值
【发布时间】：2012-08-16 00:15:55
【问题描述】：

我两周前开始学习，现在有点卡住了。我有 2 个 TimeSeries，看起来像这样：

2011-01-09 00:00:00+00:00    7.430126
2011-01-09 01:00:00+00:00    6.793855
2011-01-09 02:00:00+00:00    6.675949
2011-01-09 03:00:00+00:00    6.756636
2011-01-09 04:00:00+00:00    6.875174
2011-01-09 05:00:00+00:00    5.432611
2011-01-09 06:00:00+00:00    6.059197
2011-01-09 21:00:00+00:00    5.338928
2011-01-09 22:00:00+00:00    5.259672
2011-01-09 23:00:00+00:00    5.247196
2011-01-10 00:00:00+00:00    5.889274
2011-01-10 01:00:00+00:00    6.133871
2011-01-10 02:00:00+00:00    6.111958
2011-01-10 03:00:00+00:00    5.873732
2011-01-10 04:00:00+00:00    5.627684
2011-01-10 05:00:00+00:00    5.265644
2011-01-10 06:00:00+00:00    5.505559
2011-01-10 21:00:00+00:00    3.835050
2011-01-10 22:00:00+00:00    3.879653
2011-01-10 23:00:00+00:00    4.034543
2011-01-11 00:00:00+00:00    4.844272
2011-01-11 01:00:00+00:00    4.670967
2011-01-11 02:00:00+00:00    4.584164
2011-01-11 03:00:00+00:00    4.786821

这是风速测量数据，我想将其与模型数据进行比较。更具体地说，我想比较夜间（21.00 - 6.00）的风速。所以我定义了一个函数：

def func(model, measure):
    return (model-measure).mean()

另外，我在数据上创建了一个循环：

mean_night = []
start = 7
for a in night:
    mean_night.append(func(model, measure[start:(start+10)]))
    start = start+11
    if start>5378:
            break

问题是我丢失了时间索引并且丢失了一些数据（例如 1 天或 1 周），因此我无法使用 DateRange 重新索引它。最后应该是这样的：

date    difference_means
2011-01-09    diff_1
2011-01-09    diff_2

等等。我使用熊猫 0.7.1。谢谢你的支持！（对不起我的英语不好：P）

【问题讨论】：

只是为了确保我遵循 - 您希望您的输出是每个夜间时间的时间戳，但要让数据成为该测量值与平均值的距离或距离平均值的距离上一行的值？
你为什么不创建一个包含date、mean字段的类？甚至只是将信息存储为元组；即mean_night.append((date, func(...)))?然后你就不用担心索引了。
@IamChuckB 我想知道从 2011 年 1 月 9 日到 2012 年 6 月 30 日每晚的模型数据和实际值之间的差异。我的数据如上所示，问题是我丢失了时间戳。

标签： python time html pandas mean

【解决方案1】：

熊猫 0.8.1 对于每小时采样数据：

In [57]: import pandas

In [58]: import numpy

In [59]: index = pandas.date_range(start='2011-01-09', periods=240, freq='H')

In [60]: s = pandas.Series(np.random.randn(len(index)), index)

In [61]: s_night = s[(s.index.hour >= 21) | (s.index.hour <= 6)]

In [62]: def day_or_night(dates):
   ....:     r = []
   ....:     for date in dates:
   ....:         if (date.hour >= 21) | (date.hour <= 6):
   ....:             d = datetime.datetime(date.year, date.month, date.day)
   ....:             if (date.hour <= 6):
   ....:                 d = d - pandas.offsets.Day()
   ....:             r.append(d)
   ....:         else:
   ....:             r.append('day')
   ....:     return r
   ....:

In [63]: s_night.groupby(day_or_night(s_night.index)).mean()
Out[63]:
2011-01-08    0.652095
2011-01-09    0.004129
2011-01-10    0.457892
2011-01-11   -0.078547
2011-01-12    0.008087
2011-01-13    0.043568
2011-01-14    0.505970
2011-01-15    0.150971
2011-01-16    0.107265
2011-01-17    0.117811
2011-01-18   -0.191193

【讨论】：

【解决方案2】：

您应该升级到 0.8.1 并利用所有新的时间序列功能。请查看http://pandas.pydata.org 获取文档。

在最新版本中，between_time 等结帐功能可在特定时间范围内进行过滤。

【讨论】：

between_time 不处理跨日，因此在这种情况下不能使用。 s.between_time('21:00', '06:00') 返回一个空系列。

【解决方案3】：

我终于找到了一个可行的解决方案：

hr = dr.map(lambda x: x.hour)
meantime = lambda x: x.replace(hour=0)

datra = pd.DateRange('2011/1/1', '2011/12/31', offset=pd.datetools.day)
rise = pd.TimeSeries(np.cos(((datra.map(lambda x: (x-datetime(x.year,1,1)).total_seconds() / 86400) + 10) / 183. * np.pi)) * -2. + 17., index=datra)
set = pd.TimeSeries(np.cos(((datra.map(lambda x: (x-datetime(x.year,1,1)).total_seconds() / 86400) + 10) / 183. * np.pi)) * 2.5 + 5., index=datra)

i=0
def bias_night(liste, group):
while (i<546):
    if (i<364):
        z = group[dr[hr>unter11[i]]].combine_first(group[dr[hr<auf11[i+1]]]).groupby(meantime).mean()
        liste.append(z[i])
    else:
        z = group[dr[hr>unter11[i-365]]].combine_first(group[dr[hr<auf11[i-365+1]]]).groupby(meantime).mean()
        liste.append(z[i])
    i = i+1
t = group[dr[hr>unter11[364]]].combine_first(group[dr[hr<auf11[0]]]).groupby(meantime).mean()
liste.insert(364, t[364])

liste 是一个空列表，组是我的 TimeSeries 之一。最后，我只需减去结果列表即可得到我想要的。

2011-01-09   -1.179578
2011-01-10   -0.978171
2011-01-11   -0.335977
2011-01-12    0.080671
2011-01-13   -0.324661
2011-01-14    0.012359
2011-01-15   -0.549079

【讨论】：