如何在pandas中排列数据集？

Question

我有一个很大的数据帧，其中包括频道名称，时间，值，更新间隔。它是按ch_name分组的。时间=接收数据时，更新间隔=第一次接收和第二次接收之间的差值(这是遥测数据，其中通道根据其功能以特定的时间速率更新)。

所以我有更新间隔: 1，4，10，20，30，60 (秒)。我需要所有更新间隔等于60秒的数据帧。例如，Channel_X的更新间隔为1秒。所以我需要60秒数据的平均值。(我不需要60秒内的60个数据，我只需要60秒内的1个平均值)等等。如果更新间隔等于4秒，我需要60秒15个值的平均值。请参阅下面的数据帧输出：

ch_name                time  value  interval
167      ADCS.GPS_EPI_-_ECC 2019-09-26 00:00:06  0.001       4.0
442      ADCS.GPS_EPI_-_ECC 2019-09-26 00:00:10  0.001       4.0
548      ADCS.GPS_EPI_-_ECC 2019-09-26 00:00:14  0.001       4.0
752      ADCS.GPS_EPI_-_ECC 2019-09-26 00:00:18  0.001       4.0
916      ADCS.GPS_EPI_-_ECC 2019-09-26 00:00:22  0.001       4.0
...                     ...                 ...    ...       ...
5925943  ADCS.GPS_EPI_-_ECC 2019-09-27 08:59:41  0.001       4.0
5926102  ADCS.GPS_EPI_-_ECC 2019-09-27 08:59:45  0.001       4.0
5926265  ADCS.GPS_EPI_-_ECC 2019-09-27 08:59:49  0.001       4.0
5926432  ADCS.GPS_EPI_-_ECC 2019-09-27 08:59:53  0.001       4.0
5926595  ADCS.GPS_EPI_-_ECC 2019-09-27 08:59:57  0.001       4.0


ch_name                time  value  interval
498      Payload.OBCARM_DCDC_Temp_degC 2019-09-26 00:00:13  5.229      10.0
988      Payload.OBCARM_DCDC_Temp_degC 2019-09-26 00:00:23  5.229      10.0
1324     Payload.OBCARM_DCDC_Temp_degC 2019-09-26 00:00:33  5.229      10.0
1895     Payload.OBCARM_DCDC_Temp_degC 2019-09-26 00:00:43  5.383      10.0
2254     Payload.OBCARM_DCDC_Temp_degC 2019-09-26 00:00:53  5.383      10.0
...                                ...                 ...    ...       ...
5926944  Payload.OBCARM_DCDC_Temp_degC 2019-09-27 09:02:52  6.617      11.0
5926960  Payload.OBCARM_DCDC_Temp_degC 2019-09-27 09:03:02  6.617      10.0
5926979  Payload.OBCARM_DCDC_Temp_degC 2019-09-27 09:03:13  6.617      11.0
5926989  Payload.OBCARM_DCDC_Temp_degC 2019-09-27 09:03:23  6.617      10.0
5927004  Payload.OBCARM_DCDC_Temp_degC 2019-09-27 09:03:34  6.617      11.0




ch_name                time  value  interval
2917     Housekeeping.PDM_0__SW10_Status 2019-09-26 00:01:06    0.0      30.0
4318     Housekeeping.PDM_0__SW10_Status 2019-09-26 00:01:36    0.0      30.0
5713     Housekeeping.PDM_0__SW10_Status 2019-09-26 00:02:06    0.0      30.0
7073     Housekeeping.PDM_0__SW10_Status 2019-09-26 00:02:36    0.0      30.0
8518     Housekeeping.PDM_0__SW10_Status 2019-09-26 00:03:06    0.0      30.0
...                                  ...                 ...    ...       ...
5398900  Housekeeping.PDM_0__SW10_Status 2019-09-27 05:57:36    0.0      30.0
5400155  Housekeeping.PDM_0__SW10_Status 2019-09-27 05:58:06    0.0      30.0
5401490  Housekeeping.PDM_0__SW10_Status 2019-09-27 05:58:36    0.0      30.0
5402885  Housekeeping.PDM_0__SW10_Status 2019-09-27 05:59:06    0.0      30.0
5404257  Housekeeping.PDM_0__SW10_Status 2019-09-27 05:59:36    0.0      30.0

Answer 1

您可以使用pandas.Grouper来执行以下操作：

df.groupby(pd.Grouper(key='time', freq='60min')).mean()