Я использую панд 0.17.0 и имеют df, подобные этот:Есть ли способ предотвратить переход dtype с Int64 на float64 при повторной передаче/повышении дискретизации временного ряда?
df.head()
Out[339]:
A B C
DATE_TIME
2016-10-08 13:57:00 in 5.61 1
2016-10-08 14:02:00 in 8.05 1
2016-10-08 14:07:00 in 7.92 0
2016-10-08 14:12:00 in 7.98 0
2016-10-08 14:17:00 out 8.18 0
df.tail()
Out[340]:
A B C
DATE_TIME
2016-11-08 13:42:00 in 8.00 0
2016-11-08 13:47:00 in 7.99 0
2016-11-08 13:52:00 out 7.97 0
2016-11-08 13:57:00 in 8.14 1
2016-11-08 14:02:00 in 8.16 1
dtypes со следующим:
print (df.dtypes)
A object
B float64
C int64
dtype: object
Когда я индексировать мой df в минутные интервалы всех столбцы int64 изменения float64.
index = pd.date_range(df.index[0], df.index[-1], freq="min")
df2 = df.reindex(index)
print (df2.dtypes)
A object
B float64
C float64
dtype: object
Кроме того, если я пытаюсь ресэмплировать
df3 = df.resample('Min')
int64 превратится в float64 и по какой-то причине я потеряю object колонку.
print (df3.dtypes)
print (df3.dtypes)
B float64
C float64
dtype: object
Так как я хочу, чтобы интерполировать столбцы по-разному на основе этого различия в последующей стадии (после конкатенации df с другим df), мне нужно, чтобы они сохранить свою первоначальную dtype. У моего реального df есть гораздо больше столбцов каждого типа, по этой причине я ищу решение, которое не зависит от вызова столбцов индивидуально по их метке.
Есть ли способ поддерживать их dtype во время переиндексации? Или есть способ, каким образом я могу назначить им их dtype (они являются единственными столбцами, состоящими только из целых чисел, кроме NAN)? Может ли кто-нибудь мне помочь?
Спасибо так много! Думаю, теперь моя проблема заключается в том, что я не могу линейно интерполировать 'float64' как следующий шаг, потому что все вновь созданные временные метки заполняются. [Ссылка] (HTTP: // StackOverflow.ком/вопросы/39176402/повышающая дискретизация-а-временных рядов-с различными условиями-For-float64-против-объекта-и-INT). Это ссылка на мой первоначальный вопрос, который я только что сегодня понял, что в принятом решении возникла проблема с dtype, поэтому я разместил этот новый вопрос. Вы думаете, что я действительно хочу, даже возможно? – vera
Я добавляю решение, пожалуйста, проверьте последнее обновление. Спасибо, что приняли! – jezrael
Прохладный! Код работал так на моем примере 'df', но чтобы он работал с моим реальным' df' с несколькими столбцами каждого типа, мне пришлось модифицировать следующую строку 'if col == int_cols.all():' потому что я получил ошибка: 'ValueError: значение истинности массива с более чем одним элементом неоднозначно. Используйте a.any() или a.all() '. Теперь, похоже, все работает отлично! Еще раз спасибо! – vera