在三列熊猫上应用 RMS 公式

Question

我正在尝试为 3 维的加速度计数据应用 RMS 函数。另外，我在开头有一个时间戳列，我以天数为单位。所以数据框如下：

       0        1       2      3
0   1.963   -12.0   -71.0   -2.0
1   1.963   -11.0   -71.0   -3.0
2   1.963   -14.0   -67.0   -6.0
3   1.963   -16.0   -63.0   -7.0
4   1.963   -18.0   -60.0   -8.0

'0'列是Days，其他列都是accelero-meter的3轴数据。现在我正在使用这种方法来计算新列的 RMS 值并删除现有的 3 轴数据：

def rms_detrend(x):
    return np.sqrt(np.mean(x[1]**2 + x[2]**2 + x[3]**2))

accdf =pd.read_csv(ACC_files[1],header=None)
accdf['ACC_RMS'] = accdf.apply(rms_detrend,axis=1)
accdf = accdf.drop([1,2,3],axis=1)
accdf.columns = accdf['Days','ACC_RMS']

但是，我有 70 个这样的加速度计数据文件，每个文件大约有 4000 多行。那么有没有更好更快（pythonic）的方法来做到这一点？谢谢。 上面的代码我只为一个文件做的，而且速度很慢。

Answer 1

用途：

accdf['ACC_RMS'] = np.sqrt(accdf.pop(1)**2 + accdf.pop(2)**2 + accdf.pop(3)**2)
print (accdf)
       0    ACC_RMS
0  1.963  72.034714
1  1.963  71.909666
2  1.963  68.709534
3  1.963  65.375837
4  1.963  63.150614

提高性能的 Numpy 解决方案：

#[50000 rows x 4 columns]
accdf = pd.concat([accdf] * 10000, ignore_index=True)

In [27]: %timeit (accdf.iloc[:,1:]**2).sum(1).pow(1/2)
1.97 ms ± 89.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [28]: %timeit np.sqrt(np.sum(accdf.to_numpy()[:,1:]**2, axis=1))
202 µs ± 1.25 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

不幸的是，我的解决方案返回错误以进行测试，但我猜它像仅 numpy 的解决方案一样慢。

Answer 2

来自pandas的方法

(df.iloc[:,1:]**2).sum(1).pow(1/2)
Out[26]: 
0    72.034714
1    71.909666
2    68.709534
3    65.375837
4    63.150614
dtype: float64