时间戳

首页 > 解决方案 > 如何访问 Pandas DataFrame 中的标称值和不确定性？

python - 如何访问 Pandas DataFrame 中的标称值和不确定性？

问题描述

我将不确定性模块与 Pandas 一起使用。目前，我能够将具有不确定性的数据框一起输出到电子表格中。我的主要目标是在相邻列中写入具有不确定性的数据框。但是如何访问数据框中的标称值或不确定性。下面给出了 MWE。

当前输出

一个 乙
63.2+/-0.9 75.4+/-0.9
41.94+/-0.05 53.12+/-0.21
4.1+/-0.4 89.51+/-0.32
28.2+/-0.5 10.6+/-0.6
25.8+/-0.9 39.03+/-0.08
27.26+/-0.09 44.61+/-0.35
25.04+/-0.13 37.7+/-0.6
2.4+/-0.5 50.0+/-0.8
0.92+/-0.21 3.1+/-0.5
57.69+/-0.34 21.8+/-0.8

期望的输出

一个 +/- 乙 +/-
63.2 0.9 75.4 0.9
41.94 0.05 53.12 0.21
4.1 0.4 89.51 0.32
28.2 0.5 10.6 0.6
25.8 0.9 39.03 0.08
27.26 0.09 44.61 0.35
25.04 0.13 37.7 0.6
2.4 0.5 50 0.8
0.92 0.21 3.1 0.5
57.69 0.34 21.8 0.8

MWE

from uncertainties import unumpy
import pandas as pd
import numpy as np


A_n = 100 * np.random.rand(10)
A_s = np.random.rand(10)

B_n = 100 * np.random.rand(10)
B_s = np.random.rand(10)

AB = pd.DataFrame({'A':unumpy.uarray(A_n, A_s), 'B': unumpy.uarray(B_n, B_s)})


AB_writer = pd.ExcelWriter('A.xlsx', engine = 'xlsxwriter', options={'strings_to_numbers': True})
AB.to_excel(AB_writer, sheet_name = 'Data', index=False, na_rep='nan')
AB_writer.close()

更新

我忘了提到 AB 不是如 MWE 中所示创建的，而是 MWE 中未给出的先前计算的结果。为了 MWE，我创建了 AB。所以简而言之，我将无法访问 A 和 B 标称值和不确定值。

标签： pythonpandasuncertainty

解决方案

您可以使用str.split()将每一列拆分为一列主要值和一列不确定性，如下所示：

# add the column labels here if you have more columns to process
# e.g. `for col in AB[['A', 'B', 'C']]:` if you want to process columns `A`, `B` and `C`
for col in AB[['A', 'B']]:     
    AB[[col, f'{col}+/-']] = AB[col].str.split(r'\+/-', expand=True)

# sort the columns to put the related columns together
AB = AB.sort_index(axis=1)

不建议在同一个数据框中有 2 列相同的列标签。在这里，我们将+/-列与它们各自的源列名称一起命名，以便区分它们。

在这里，我们还使用.sort_index()对列名进行排序以使相关列彼此相邻。

结果：

print(AB)

       A  A+/-      B  B+/-
0   63.2   0.9   75.4   0.9
1  41.94  0.05  53.12  0.21
2    4.1   0.4  89.51  0.32
3   28.2   0.5   10.6   0.6
4   25.8   0.9  39.03  0.08
5  27.26  0.09  44.61  0.35
6  25.04  0.13   37.7   0.6
7    2.4   0.5   50.0   0.8
8   0.92  0.21    3.1   0.5
9  57.69  0.34   21.8   0.8

推荐阅读