Создание боксплотов в Pandas с несколькими условиями - PullRequest
Новая
       6

Создание боксплотов в Pandas с несколькими условиями

0 голосов
/ 04 февраля 2020 

time	xco2	lon	lat	mask	front	flag	alt	type
time									
2016-07-18 18:00:40	64835.00	400.345876	-77.665768	40.444690	1.00	2.0	0.00	3198.345000	warm
2016-07-18 18:00:50	64845.00	400.694926	-77.679259	40.450737	0.98	2.0	0.00	3199.400000	warm
2016-07-18 18:01:00	64855.00	401.107295	-77.692715	40.456796	0.98	2.0	0.00	3197.810000	warm
2016-07-18 18:01:10	64865.00	401.566160	-77.706165	40.462843	0.95	2.0	0.00	3196.500000	warm
2016-07-18 18:01:20	64875.00	401.752364	-77.719628	40.468837	1.00	2.0	0.00	3197.945000	warm
...	...	...	...	...	...	...	...	...	...
2016-07-18 18:50:30	67825.00	391.580408	-80.799363	41.847582	0.81	NaN	0.00	3158.575000	cold
2016-07-18 18:50:40	67835.00	392.728223	-80.809320	41.851846	1.00	NaN	0.00	3241.930000	cold
2016-07-18 18:50:50	67845.00	392.051042	-80.819123	41.855974	0.43	NaN	1.14	3340.510000	cold
2016-07-18 18:51:00	67855.00	392.827331	-80.828735	41.860006	1.00	NaN	0.00	3428.665000	cold
2016-07-18 18:51:10	67862.95	392.934952	-80.836415	41.863085	1.00	NaN	0.00	3483.171186	cold
304 rows × 9 columns

У меня много дней, и мой нынешний способ требует много времени, и мне нужен более эффективный способ! Мне нужны данные, разделенные либо холодным, либо теплым, и у меня есть столбец, который обозначает это. Тогда мне нужно, чтобы каждая коробка и усы были на 0,5 градуса лат. В настоящее время я создаю новый столбец вручную для каждой половины градуса данных. На рисунке показано, как я это делал, и снимок того, как настраиваются данные. This is the old way of doing it and many of the days require much more columns

warm=np.arange(41.367440,44.13,0.25)
cold=np.arange(44.141705,46.321997,0.25)
print(warm)
print(cold)

xco2_0=df_layer102['XCO2'].loc()[(df_layer102['lat'] > warm[0]) & (df_layer102['lat'] <= warm[1])]
xco2_1=df_layer102['XCO2'].loc()[(df_layer102['lat'] > warm[1]) & (df_layer102['lat'] <= warm[2])]
xco2_2=df_layer102['XCO2'].loc()[(df_layer102['lat'] > warm[2]) & (df_layer102['lat'] <= warm[3])]
xco2_3=df_layer102['XCO2'].loc()[(df_layer102['lat'] > warm[3]) & (df_layer102['lat'] <= warm[4])]
xco2_4=df_layer102['XCO2'].loc()[(df_layer102['lat'] > warm[4]) & (df_layer102['lat'] <= warm[5])]
xco2_5=df_layer102['XCO2'].loc()[(df_layer102['lat'] > warm[5]) & (df_layer102['lat'] <= warm[6])]
xco2_6=df_layer102['XCO2'].loc()[(df_layer102['lat'] > warm[6]) & (df_layer102['lat'] <= warm[7])]
xco2_7=df_layer102['XCO2'].loc()[(df_layer102['lat'] > warm[7]) & (df_layer102['lat'] <= warm[8])]
xco2_8=df_layer102['XCO2'].loc()[(df_layer102['lat'] > warm[8]) & (df_layer102['lat'] <= warm[9])]
xco2_9=df_layer102['XCO2'].loc()[(df_layer102['lat'] > warm[9]) & (df_layer102['lat'] <= warm[10])]
xco2_10=df_layer102['XCO2'].loc()[(df_layer102['lat'] > warm[10]) & (df_layer102['lat'] <= warm[11])]
# xco2_11=df_layer10['XCO2'].loc()[(df_layer10['lat'] > warm[11]) & (df_layer10['lat'] <= warm[12])]
# xco2_12=df_layer10['XCO2'].loc()[(df_layer10['lat'] > warm[12]) & (df_layer10['lat'] <= warm[13])]

# xco2_11=df_layer10['XCO2'].loc()[(df_layer10['lat'] > warm[11]) & (df_layer10['lat'] <= cold[0])]
xco2_11=df_layer102['XCO2'].loc()[(df_layer102['lat'] >= cold[0]) & (df_layer102['lat'] <= cold[1])]
xco2_12=df_layer102['XCO2'].loc()[(df_layer102['lat'] > cold[1]) & (df_layer102['lat'] <= cold[2])]
xco2_13=df_layer102['XCO2'].loc()[(df_layer102['lat'] > cold[2]) & (df_layer102['lat'] <= cold[3])]
xco2_14=df_layer102['XCO2'].loc()[(df_layer102['lat'] > cold[3]) & (df_layer102['lat'] <= cold[4])]
xco2_15=df_layer102['XCO2'].loc()[(df_layer102['lat'] > cold[4]) & (df_layer102['lat'] <= cold[5])]
xco2_16=df_layer102['XCO2'].loc()[(df_layer102['lat'] > cold[5]) & (df_layer102['lat'] <= cold[6])]
xco2_17=df_layer102['XCO2'].loc()[(df_layer102['lat'] > cold[6]) & (df_layer102['lat'] <= cold[7])]
xco2_18=df_layer102['XCO2'].loc()[(df_layer102['lat'] > cold[7]) & (df_layer102['lat'] <= cold[8])]
# xco2_19=df_layer10['XCO2'].loc()[(df_layer1['lat'] > cold[8]) & (df_layer10['lat'] <= cold[9])]
# xco2_19=df_avg_up05['xco2_up'].loc()[(df_avg_up05['lat_up'] >  num1[5]) & (df_avg_up05['lat_up'] <= num1[6])]

# data_group_mid={'35 \u00b0':xco2_35_36, '36 \u00b0':xco2_36_37, '37 \u00b0':xco2_37_38, '38 \u00b0':xco2_38_39,  '39 \u00b0':xco2_39_40, '40 \u00b0':xco2_40_41, '41 \u00b0':xco2_41_42}
data_group_front={'46.14\u00b0':xco2_18, '45.89\u00b0':xco2_17, '45.64\u00b0':xco2_16, '45.39\u00b0':xco2_15,'45.14\u00b0':xco2_14,'44.89\u00b0':xco2_13,'44.69\u00b0':xco2_12,'44.39\u00b0':xco2_11,'44.11\u00b0':xco2_10,'43.86\u00b0':xco2_9, \
                 '43.61\u00b0':xco2_8,'43.36\u00b0':xco2_7,'43.11\u00b0':xco2_6,'42.86\u00b0':xco2_5,'42.61\u00b0':xco2_4,'42.36\u00b0':xco2_3,'42.11\u00b0':xco2_2,'41.86\u00b0':xco2_1,'41.61\u00b0':xco2_0}
df_xco2_front=pd.DataFrame(data=data_group_front)
df_xco2_front.count()

1 Ответ

1 голос
/ 04 февраля 2020

Метод 1:

Что вы можете сделать, это создать новый столбец, который будет заключать 'lat' в pd.cut 

df_layer102['lat_bucketed'] = pd.cut(df_layer102['lat'], numpy.append(warm, cold))

Здесь теплое и холодное объединяются, так как они не являются -перекрывающиеся и уже есть столбец с указанием cold и warm. Но вы можете использовать каждый из них в отдельности.

Метод 2:

Это также можно сделать вручную с помощью 

df_layer102['lat_bucketed'] = ((df_layer102['lat'] - df_layer102['lat'].min())/0.5).astype(int)

Это даст вам столбец с индекс ведра (например, 0, 1, 2 и т. д. c.).

Затем, используя seaborn, вы можете сделать 

import seaborn as sns
sns.set(style="whitegrid")
ax = sns.boxplot(x="lat_bucketed", y="XCO2", data=df_layer102)
...