小编eli*_*A92的帖子

我必须使用从某些CSV导入的时间序列数据，如下所示：

import pandas as pd

csv_a = [["Sensor_1", '2019-05-25 10:00', 25, 60],
         ["Sensor_2", '2019-05-25 10:00', 30, 45],
         ["Sensor_1", '2019-05-25 10:05', 26, None],
         ["Sensor_2", '2019-05-25 10:05', 30, 46],
         ["Sensor_1", '2019-05-25 10:10', 27, 63],
         ["Sensor_1", '2019-05-25 10:20', 28, 62]]

df_a = pd.DataFrame(csv_a, columns=["Sensor", "Timestamp", "Temperature", "Humidity"])
df_a["Timestamp"] = (pd.to_datetime(df_a["Timestamp"]))

csv_b = [["Sensor_1", '2019-05-25 10:05', 1020],
         ["Sensor_2", '2019-05-25 10:05', 956],
         ["Sensor_3", '2019-05-25 10:05', 990],
         ["Sensor_1", '2019-05-25 10:10', 1021],
         ["Sensor_2", '2019-05-25 10:10', 957],
         ["Sensor_3", '2019-05-25 10:10', 992],
         ["Sensor_1", '2019-05-25 10:15', 1019]]

df_b = pd.DataFrame(csv_b, …

我正在准备一些代码来用样条插入一系列点。

样条有很多种：二次的，三次的，很多边界条件……

到目前为止，我已经尝试了最流行的：三次样条，边界条件：

• 自然：二阶导数在第一点和最后点为零。
• 钳位：一阶导数在第一个点和最后一个点处为零。
• Not-a-knot：三阶导数在第二个和倒数第二个点是连续的。

我还尝试了具有“夹紧”初始条件的二次样条。

我发现当我们像这样定义跟踪时，Plotly 也有一个内置的插值函数：

fig.add_trace(go.Scatter(
    x=df['timestamp'],
    y=df['values'],
    mode='lines',
    line_shape='spline',
))

这个情节的样条线看起来很合我的口味。例如，它比自然三次样条更柔软且振荡更小：

红线是自然三次样条。灰线是 plotly 的样条。

所以我的问题是：这是什么类型的样条？

我试图将它与我上面提到的曲线进行比较。它们都不像 Plotly 的样条。

我检查了 Plotly 的文档，它没有告诉你他们使用的是哪种曲线。但是它说您可以添加参数“平滑”以控制曲率。

有谁知道 Plotly 的人是怎么做的？

假设我有一个正在循环的算法。它将返回未知数量的结果，我想将它们全部存储在 DataFrame 中。例如：

df_results = pd.DataFrame(columns=['x', 'x_squared'])

x = 0
x_squared = 1

while x_squared < 100:
    x_squared = x ** 2

    df_iteration = pd.DataFrame(data=[[x,x_squared]], columns=['x', 'x_squared'])
    df_results = df_results.append(df_iteration, ignore_index=True)

    x += 1

print(df_results)

输出：

     x  x_squared
0    0          0
1    1          1
2    2          4
3    3          9
4    4         16
5    5         25
6    6         36
7    7         49
8    8         64
9    9         81
10  10        100

问题是当我想要进行大量迭代时。数学运算本身非常快。然而，当我们进行大循环时，数据帧的创建和附加变得非常慢。

我知道这个特定的例子可以很容易地解决，而无需在每次迭代中使用数据帧。但是想象一个复杂的算法，它还对数据帧等执行操作。对我来说，有时一步一步构建结果数据帧会更容易。哪种方法是最好的？