Автоматизированный поиск значений non-nan и соответствующих им индексных точек

Question

Автоматический поиск значений в различных точках на основе порядковых номеров, которые соответствуют допустимым значениям (не NaN), поскольку в данных будет много NaN на основе функции, которую я поместил в исходные данные.

У меня есть DataFrame (названный 'future'), где я выбрал конкретные точки относительного минимума / максимума на всем протяжении (743 начальных строки) и смог разместить индексное место этих мин / макс в массивах и добавить их в ' graph 'dataframe (' closemin ',' closemax ',' rsimin ',' rsimax ') Значения массивов состоят из УКАЗАТЕЛЬНЫХ ТОЧЕК этих значений min / max в соответствующих столбцах в DataFrame «graph».

Я пытаюсь найти наклон между относительными минимальными / максимальными значениями закрытия и затем сравнить его с наклоном RSIE14 в тех же индексных точках. Я могу легко найти индексные точки, но у меня нет метода для автоматизации процесса, который мне нужен для других наборов данных, поскольку значения NaN между этими относительными минимальными / максимальными точками часто меняются. Например, на рисунке ниже показаны относительные «closemin» с номерами индексов 351 и 340. Я хотел бы автоматизировать получение этих индексных точек, а затем одновременно получить те же индексные точки (351 и 340) для данных RSIE14, чтобы я мог автоматизировать поиск наклона двух.

Answer 1

Когда вы проходите по этим строкам, вам необходимо обратиться к общему индексу, который применяется к обоим Датафреймам. В моем примере здесь у меня есть два кадра данных с разными данными, но ссылаются на один и тот же индекс. Допустим, один кадр данных относится к данным закрытия, а другой - к данным закрытия.

Вот как это может работать:

import pandas as pd
import random

my_randoms = [random.sample(range(100), 10), random.sample(range(100), 10)]
my_other_randoms = [random.sample(range(100), 10), random.sample(range(100), 10)]

first_dataframe = pd.DataFrame(my_randoms).T
second_dataframe = pd.DataFrame(my_other_randoms).T

print(first_dataframe)
print("----")
print(second_dataframe)
print("----")

for index, row in first_dataframe.iterrows():
    print(f"Index of current row: {index} \n"
          f"Values of current row: {row.values}\n"
          f"Values on same row other DF: {second_dataframe.iloc[index].values}\n"
          f"----")

С выходом:

    0   1
0  90  61
1  99  88
2  15  56
3  17  37
4  95  93
5  23  43
6  68  14
7   7   9
8  97   2
9  53  91
----
    0   1
0   6  88
1  21  51
2   2  50
3  38  40
4  11  67
5  57  80
6   9  41
7  88  47
8  41  72
9  42  52
----
Index of current row: 0 
Values of current row: [90 61]
Values on same row other DF: [ 6 88]
----
Index of current row: 1 
Values of current row: [99 88]
Values on same row other DF: [21 51]
----
Index of current row: 2 
Values of current row: [15 56]
Values on same row other DF: [ 2 50]
----
Index of current row: 3 
Values of current row: [17 37]
Values on same row other DF: [38 40]
----
Index of current row: 4 
Values of current row: [95 93]
Values on same row other DF: [11 67]
----
Index of current row: 5 
Values of current row: [23 43]
Values on same row other DF: [57 80]
----
Index of current row: 6 
Values of current row: [68 14]
Values on same row other DF: [ 9 41]
----
Index of current row: 7 
Values of current row: [7 9]
Values on same row other DF: [88 47]
----
Index of current row: 8 
Values of current row: [97  2]
Values on same row other DF: [41 72]
----
Index of current row: 9 
Values of current row: [53 91]
Values on same row other DF: [42 52]
----