Quel est l'équivalent d'un tableau de cellules Matlab?
Je suis nouveau sur Python et j'essaye de créer quelque chose d'équivalent au "tableau de cellules" de Matlab. Disons que j'ai 100 index de clients 'C001', 'C002' etc. et j'ai des données différentes pour chacun client:
- Taille des locaux en mètres carrés [nombre réel]
- des données catégoriques montrant si elles sont "commerciales", "résidentielles" ou "autres"
- série horaire de leur consommation d'électricité en 2014, c'est-à-dire un tableau indexé sur l'heure/date de 8760 valeurs réelles
Quelle est la meilleure façon de construire un tel ensemble de données dans Python 2.7 qui combine des valeurs uniques, des données catégorielles et des tableaux d'index de temps? J'essaie d'utiliser pandas for ceci mais aucun succès jusqu'à présent.
Merci beaucoup d'avance
L'équivalent d'un tableau de cellules MATLAB est un tableau d'objets numpy. Cependant, ceux-ci sont rarement utilisés car ils sont rarement ce que vous voulez dans la pratique. Dans la plupart des cas où quelqu'un utiliserait une cellule dans MATLAB, une liste ou une liste imbriquée suffirait:
>>> a = [obj1, obj2, obj, obj4]
>>> b = [[obj1, obj2], [obj3, obj4]]
Cependant, ce n'est pas ce que vous voulez faire dans votre cas. Votre question est un exemple classique de problème X Y . Vous demandez comment mettre en œuvre une solution particulière à votre problème, plutôt que de savoir comment résoudre le problème lui-même. Python peut faire beaucoup de choses que MATLAB ne peut pas, donc essayer de faire Python se comporter comme MATLAB se traduira souvent par des solutions sous-optimales).
Dans ce cas, ce que vous voulez est un pandas DataFrame . Il ne ressemble en rien à un tableau de cellules MATLAB, mais s'adapte beaucoup mieux à votre ensemble de données. Vous pouvez utiliser un MultiIndex pour stocker les paramètres et des colonnes pour stocker les données de série chronologique. Cela vous permet d'indexer par nom, taille, catégorie, date, etc. Vous pouvez calculer, par exemple, la consommation d'énergie moyenne pour chaque catégorie de propriété au troisième trimestre pour les propriétés de plus de 500 mètres carrés dans une seule ligne de code.
Voici donc un exemple de la façon dont vous pourriez structurer ces données:
>>> names = ['C001', 'C002', 'C003', 'C004']
>>> sizes = np.abs(np.random.random(4))*1000
>>> category = ['Commerical', 'Residential', 'Residential', 'Other']
>>> ts = np.random.random([100, 4])
>>> timestamps = pd.date_range('1/1/2011', periods=100, freq='W')
>>>
>>> cols = pd.MultiIndex.from_arrays([names, sizes, category])
>>>
>>> df = pd.DataFrame(ts, index=timestamps, columns=cols)
>>> df.columns.names = ['Name', 'Size', 'Category']
>>> df.index.name = 'Time'
>>>
>>> print(df)
Name C001 C002 C003 C004
Size 36.719201 732.278278 795.755755 551.383120
Category Commerical Residential Residential Other
Time
2011-01-02 0.108720 0.018492 0.057233 0.694548
2011-01-09 0.959845 0.968857 0.422210 0.975767
2011-01-16 0.709676 0.119963 0.004481 0.830328
2011-01-23 0.084271 0.535408 0.209943 0.668001
2011-01-30 0.626125 0.052301 0.212636 0.995429
2011-02-06 0.376399 0.199327 0.482884 0.632472
2011-02-13 0.302807 0.353679 0.599427 0.993996
2011-02-20 0.185445 0.005769 0.755981 0.923540
2011-02-27 0.109611 0.994292 0.873782 0.542741
2011-03-06 0.561404 0.778414 0.595238 0.082001
2011-03-13 0.056986 0.869344 0.459753 0.450071
2011-03-20 0.261320 0.675317 0.603043 0.371950
2011-03-27 0.890803 0.061619 0.831677 0.801890
2011-04-03 0.498199 0.846559 0.370336 0.225477
2011-04-10 0.248914 0.693038 0.145255 0.233058
2011-04-17 0.621441 0.683213 0.048944 0.650139
2011-04-24 0.459869 0.055751 0.912097 0.457605
2011-05-01 0.814447 0.780415 0.184241 0.429139
2011-05-08 0.586905 0.209121 0.428080 0.246584
2011-05-15 0.754021 0.909181 0.846984 0.948835
2011-05-22 0.513610 0.203925 0.338072 0.596325
2011-05-29 0.497080 0.557908 0.916812 0.680242
2011-06-05 0.646791 0.641024 0.399427 0.308346
2011-06-12 0.573922 0.539285 0.098703 0.461480
2011-06-19 0.062978 0.939339 0.713087 0.380326
2011-06-26 0.422484 0.109185 0.459734 0.800468
2011-07-03 0.962368 0.632361 0.388565 0.503425
2011-07-10 0.802551 0.261161 0.590494 0.526307
2011-07-17 0.261447 0.686405 0.636970 0.622476
2011-07-24 0.634331 0.630028 0.069925 0.504036
... ... ... ... ...
2012-05-06 0.185331 0.375717 0.658463 0.697377
2012-05-13 0.273510 0.665318 0.756944 0.083542
2012-05-20 0.895984 0.850881 0.680869 0.987420
2012-05-27 0.450593 0.262195 0.458893 0.199141
2012-06-03 0.696102 0.332312 0.419764 0.338074
2012-06-10 0.113108 0.167605 0.812625 0.329429
2012-06-17 0.527418 0.087454 0.868973 0.744649
2012-06-24 0.977674 0.831538 0.410719 0.598423
2012-07-01 0.577802 0.141307 0.310356 0.276271
2012-07-08 0.772117 0.288240 0.820701 0.548857
2012-07-15 0.699628 0.467952 0.429433 0.304482
2012-07-22 0.782641 0.337854 0.561191 0.572241
2012-07-29 0.010225 0.962770 0.793041 0.166877
2012-08-05 0.895516 0.628526 0.782264 0.908301
2012-08-12 0.787210 0.698185 0.255306 0.741693
2012-08-19 0.042833 0.556469 0.165885 0.408108
2012-08-26 0.942076 0.377714 0.927170 0.119004
2012-09-02 0.567978 0.007891 0.777752 0.869950
2012-09-09 0.120134 0.417996 0.328654 0.484447
2012-09-16 0.833769 0.946456 0.594471 0.569707
2012-09-23 0.515544 0.090017 0.344200 0.498175
2012-09-30 0.419152 0.315412 0.683195 0.498630
2012-10-07 0.879582 0.958591 0.531812 0.051948
2012-10-14 0.488241 0.683242 0.096560 0.197295
2012-10-21 0.425213 0.279539 0.476436 0.492512
2012-10-28 0.238334 0.836782 0.901589 0.132700
2012-11-04 0.030562 0.797666 0.238895 0.550427
2012-11-11 0.875454 0.973046 0.457116 0.154175
2012-11-18 0.557967 0.895320 0.478239 0.448102
2012-11-25 0.075152 0.047344 0.650615 0.293129
[100 rows x 4 columns]