过滤稳定速度条件下的熊猫数据框

Question

下面是一个与我的类似的示例数据框，但我正在使用的数据框有200,000个数据点。

import pandas as pd 
import numpy as np 

df=pd.DataFrame([ 
     [10.07,5], [10.24,5], [12.85,5], [11.85,5], 
     [11.10,5], [14.56,5], [14.43,5], [14.85,5], 
     [14.95,5], [10.41,5], [15.20,5], [15.47,5], 
     [15.40,5], [15.31,5], [15.43,5], [15.65,5] 
    ], columns=['speed','delta_t']) 
df 

    speed delta_t 
0 10.07  5 
1 10.24  5 
2 12.85  5 
3 11.85  5 
4 11.10  5 
5 14.56  5 
6 14.43  5 
7 14.85  5 
8 14.95  5 
9 10.41  5 
10 15.20  5 
11 15.47  5 
12 15.40  5 
13 15.31  5 
14 15.43  5 
15 15.65  5 

---

std_dev = df.iloc[0:3,0].std() # this will give 1.55 
print(std_dev) 

我有2列， '速度' 和 'Delta_T'。 Delta_T是我实际数据（它有日期和时间）中后续行之间的时间差。运行速度不断变化，我想要实现的是过滤出速度几乎稳定的所有数据点，例如通过筛选标准偏差< 0.5和Delta_T> = 15分钟。例如，如果我们从第一个速度开始，那么代码应该能够继续跳到下一个速度，继续计算标准偏差，如果它小于0.5，并且delta_T总和达到30分钟，我应该复制数据转换成新的数据帧。 因此，对于这个数据框，我将留下索引5到8和10到15。

这可能吗？你能给我一些关于如何做的建议吗？对不起，我卡住了。这对我来说似乎很复杂。

谢谢。

此致阿伦

Answer 1

设使用rolling，shift和std：

计算为3的窗口的滚动的std中，发现小于0.5的那些性病和使用移位（-2），以获得std小于0.5的窗口开始处的值。使用布尔索引|（或）我们可以得到整个稳态范围。

df_std = df['speed'].rolling(3).std() 
df_ss = df[(df_std < 0.5) | (df_std < 0.5).shift(-2)] 
df_ss 

输出：

speed delta_t 
5 14.56  5 
6 14.43  5 
7 14.85  5 
8 14.95  5 
10 15.20  5 
11 15.47  5 
12 15.40  5 
13 15.31  5 
14 15.43  5 
15 15.65  5