频率作为 Pandas 数据帧中的“索引”和动态扩展答案

【问题标题】：frequency as "index" in Pandas dataframe and dynamic extension频率作为 Pandas 数据帧中的“索引”和动态扩展
【发布时间】：2023-01-13 00:32:04
【问题描述】：

我正在做一个 RF 项目，工作流程如下：

定义所需频率扫描的start、stop、step
计算每个频率的特定线路阻抗Z0和频率相关有效介电常数eef
为每个 f 计算传输矩阵ABCD
从 ABCD 计算散射参数 S（复值）
计算参数的大小
最后绘制它们
目前，我已经通过在 for 循环中填充列表/numpy 数组来实现它。这可行，但当我想菊花链连接多个 ABCD 时，它很丑陋且需要大量劳动。问题是调试困难（在上述步骤之间丢失临时结果。

我认为一个解决方案可能是使用 pandas 但我很难实现以下必需品：
1. 创建以频率为索引的数据框（f 的列也可能有效）
2. “即时”扩展列以存储每个 f 的结果
3. 为某些列单独设置dtype=，因为当前dtype=np.clongdouble是必需的（否则我在后面的计算中将 div 减为零）
4. 一列包含一个 numpy 数组（abcd 矩阵）
  我四处搜索，但结果并没有阐明所需的概念和我的方法
```
>>> import pandas as pd
>>> start = int(100E6)
>>> stop = int(1E9)
>>> step = int(1E6)
>>> df = pd.DataFrame(index=range(start,stop+step,step),columns=["z0","eef"])
>>> df.index
RangeIndex(start=100000000, stop=1001000000, step=1000000)
>>> 
```
  当我尝试访问 df.index(1000) 或 df[1000] 时抛出错误

【问题讨论】：

您已经定义了一个最低索引为 100E6 的数据框，您会收到 df[1000] 的索引错误，因为您的数据名中不存在该索引。此外，最好使用 df.iloc[r] 按行访问 df，其中 r 是行号
谢谢您的回答。我写了一个无法编辑的回复（太旧了）所以我删除了它。像f=100000000这样按频率访问行的解决方案是使用loc而不是iloc。 ``` df = pd.DataFrame(index=range(start,stop+step,step),columns=["foo","break","baz"]) df.loc[100000000] ``` 给出所需的输出。

标签： python pandas numpy

【解决方案1】：

为了使其更适合未来，可以创建一个函数来帮助计算给定的 S 参数f_start、f_stop、f_step，以及函数Z0和eef。在这里我会考虑一个已经有函数Z0和eef的。

让我们调用函数calc_s（cmets 使其不言自明）

import pandas as pd

def calc_s(f_start, f_stop, f_step, Z0, eef):

    # Create a dataframe with the frequency column
    df = pd.DataFrame({'f': pd.Series(range(f_start, f_stop, f_step))})

    # Calculate Z0 and eef and add them to the dataframe
    df['Z0'] = df['f'].apply(Z0)
    df['eef'] = df['f'].apply(eef)

    # Calculate the ABCD matrix for every frequency
    df['A'] = 1
    df['B'] = 2 * df['Z0'] * df['eef']**0.5
    df['C'] = 1
    df['D'] = -2 * df['Z0'] * df['eef']**0.5

    # Calculate the scattering parameters S
    df['S11'] = (df['A'] + df['B']) / (df['A'] - df['B'])
    df['S12'] = 2 * df['C'] / (df['A'] - df['B'])
    df['S21'] = 2 * df['C'] / (df['A'] - df['B'])
    df['S22'] = (df['A'] - df['B']) / (df['A'] + df['B'])

    # Calculate the magnitude of the scattering parameters
    df['S11_mag'] = df['S11'].apply(lambda x: x.real**2 + x.imag**2)**0.5
    df['S12_mag'] = df['S12'].apply(lambda x: x.real**2 + x.imag**2)**0.5
    df['S21_mag'] = df['S21'].apply(lambda x: x.real**2 + x.imag**2)**0.5
    df['S22_mag'] = df['S22'].apply(lambda x: x.real**2 + x.imag**2)**0.5

    return df

请注意，如果需要，一个 cal 总是会调整计算，或将其更改为一个人可能想要/需要的其他计算，无论是删除、添加……

现在，让我们用一些虚拟数据测试上面的函数

f_start = 1
f_stop = 100
f_step = 1
Z0 = lambda f: 50 # This is a dummy function that returns 50 for every f
eef = lambda f: 1 # This is a dummy function that returns 1 for every f
df = calc_s(f_start, f_stop, f_step, Z0, eef)

[Out]:
   f  Z0  eef  A      B  ...       S22   S11_mag   S12_mag   S21_mag   S22_mag
0  1  50    1  1  100.0  ... -0.980198  1.020202  0.020202  0.020202  0.980198
1  2  50    1  1  100.0  ... -0.980198  1.020202  0.020202  0.020202  0.980198
2  3  50    1  1  100.0  ... -0.980198  1.020202  0.020202  0.020202  0.980198
3  4  50    1  1  100.0  ... -0.980198  1.020202  0.020202  0.020202  0.980198
4  5  50    1  1  100.0  ... -0.980198  1.020202  0.020202  0.020202  0.980198

[5 rows x 15 columns]

【讨论】：

【解决方案2】：

闲逛了一会儿后，我对以下内容感到满意

df = pd.DataFrame(columns=['Z0', 'eef', 'A', 'B', 'C',
                      'D', 's11', 's12', 's21', 's22'], index=f, dtype=bool)
    df.index.name = 'Frequency'

与f = [*range(start, stop+step, step)]。然后我通过df["A"].loc(f)访问必要的列/行。即使在进一步的计算中没有使用该列，我也会坚持这个方案，因为我很难区分具有（-out）特定列的 Dataframes。在此过程中，dtype= 扩展为 complex，但现在效果很好。

【讨论】：