Добрый вечер.
Если в строке[0], в колонке с именем "чай" есть надпись "жидкий" - выпить. Если "сухой" - заварить.
Удалить строку.
Вернутся снова к проверке следующей "первой" строки.
Как в пандах ифы работают в такой ситуации?

Может, я чего-то не понимаю, но при чем здесь ифы? Вы же в цикле остаётесь/работаете. Вот внутри ифа вы не увеличиваете индекс "первой" строки, иначе увеличиваете и работаете со следующей строкой. Нет?

если только для нулевой строки, то df.iloc[0] и все как обычно. Если для всех строк, то уже векторная операция и тут есть разные варианты

Вероятно не увеличиваю, если я правильно понял вопрос. Я хочу в df проверить первую строку по условию, обработать, удалить её. Следующая за ней становится первой и так до полного исчерпания строк в датафрейме

выглядит понятно, попробую, спасибо

тут лучше не удалять построчно, отфильтровать, например через apply:
df=df[df.apply(dont_delete,axis=1)]
тут в df.apply() построчно применяется функция dont_delete, которая на вход принимает series (пандасовский словарь если по простому) и на выходе говорит оставить строку или нет
в итоге получается столбец решений для каждой из строк, далее этот столбец используется для фильтрации

спасибо, и с этим начал разбираться

Добрый вечер, кто-нибудь может подсказать как лучше поступить? Есть два датасета. 1ый (это наш X_train) содержит данные собранные за каждый час с 10 датчиков влажности. 2ой (y_train) состоит из двух колонок время измерения (следующий день после 24 измерений влажности) и значение параметра, на который влияет влажность. В 1ом датасете  первые 24 измерения это соответственно 1 проба, след 24 - 2 проба и тд. Необходимо обучить модель, чтобы она предсказывала значение нужного нам параметра по результатам суточного мониторинга. Самое простое, что можно сделать это сгруппировать данные в X_train по 24 часа и усреднить показатели для каждого датчика, а далее уже по классике fit-predict'ить. Но с другой стороны возможно ли как-то сгруппировать данные для дальнейшего обучения без усреднения, но чтоб на выходе у нас был файл в таком же формате как y_train, т.е. День измерения - Значение предсказанное на основе 24х измерений влажности?

1. почему вместо описания сути процесса и предполагаемых взаимосвязей, мы наблюдаем какие-то отвлеченные упоминания fit и predict?
2. это учебная задача?

2. Да, это учебная задача.
1. Суть процесса в том, что есть образцы, для которых измеряется влажность в течении суток, затем проводится тестирование другого параметра, который зависит от этой влажности(тест занимает длительное время). Нужно показать, что мы можем с определённой точностью предсказывать значения параметра без проведения долгого теста.

Ну хорошо раз учебная. Значит это не бизнес такой дурной.
Ответы на эти вопросы можно узнать путем  экспериментов и пр визуализаций.
в задаче специально умолчали чтобы вы всем этим позанимались.

можно, конечно, порассуждать о том, что xgboost или нейросеть может обучиться  любой  закономерности достаточно широко представленной в данных

Да мне просто нужно понять проще ли сгруппировать и усреднить данные для обучения или можно как-то красиво их сгруппировать и подать в модель, чтоб она понимала, что нужно предсказывать по 24 значениям, а не одному

Знакомый сказал, что в R подобное можно сделать при помощи nested table

зачем пандас для этого? положите в список и делайте while len(L) > 0: item = L.pop(0); ...

что здесь вообще происходит? зачем удалять?

такие штуки называются итераторами.
по ним гонится функция с side эффектом.

Панимаю

админы

В атаку

Привет всем🙃
Помогите, пожалуйста, подключить google analytics к телеграм боту.

Есть сценарий:
пользователь из бота делает действие (нажатие на кнопку) –> кидаем в обработчик и как только в этот обработчик вызвался –> нужно отправить событие в GA с определёнными параметрами


Как этот запрос должен выглядить в python-коде?