Калькулятор наружных откосов для окон

Перейти к выбору и заказу товара

Код 7044

Металлический наружный откос на окно Вид-1 1250х50 мм Полиэстер

154 ₽/шт

В корзинуКупить

Код 7045

Металлический наружный откос на окно Вид-1 1250х60 мм Полиэстер

163 ₽/шт

В корзинуКупить

Код 7046

Металлический наружный откос на окно Вид-1 1250х70 мм Полиэстер

174 ₽/шт

В корзинуКупить

Код 7047

Металлический наружный откос на окно Вид-1 1250х80 мм Полиэстер

180 ₽/шт

В корзинуКупить

Код 7048

Металлический наружный откос на окно Вид-1 1250х90 мм Полиэстер

188 ₽/шт

В корзинуКупить

Код 7049

Металлический наружный откос на окно Вид-1 1250х100 мм Полиэстер

197 ₽/шт

В корзинуКупить

Калькулятор наружных откосов для окон онлайн в Москве. Рассчитать в фирме «Кровля под ключ».

Ключевой сервис: от замера до монтажа

Бесплатный выезд замерщика

Расчет Вашего заказа

Доставка и оплата

Монтаж

Получить консультацию или сделать заказ

г. Москва, 41 км МКАД, Калужского шоссе, дом 4с3, павильон А27/4 (рядом с магазином Hoff)

Построить маршрут в Яндекс.Навигаторе

+7 (499) 705-85-85
+7 (495) 762-70-99

Отдел продаж:

Пн-Пт с 09:00-18:00
Сб-Вс выходной

Доставка и самовывоз заказов возможны в выходные дни (сб-вс), если заказ оформлен с 9:00 до 18:00 в будние дни (пн-пт).

Калькулятор окон — онлайн калькулятор стоимости пластиковых окон и дверей, расчет по размерам

• Эконом

  {«showdesc»:»1″,»alias»:»whs»,»special»:»35″,»hideoptions»:»328,330,326,327,329,331,338,300″,»batch_profile»:»w»,»defaultoptions»:»255,337,336″,»rw»:»58″,»iw»:»75″,»coefficient»:»1″,»stvw»:»52″,»imp»:»42″,»sp_g»:»26″,»sp_s»:»-70″,»shtap»:»10″,»t_frame»:»101. 010.1″,»t_casement»:»103.011″,»t_impost»:»102.013.1″,»t_fitting_type»:»Vorne»,»t_gasket»:»\u0427\u0435\u0440\u043d\u044b\u0439″,»t_system»:»Veka WHS Halo+»,»imst»:»-54″,»sp_i»:»-22″,»sw»:»74″}

• Оптим

  {«showdesc»:»1″,»alias»:»euroline»,»batch_profile»:»e»,»defaultoptions»:»254,337,335″,»hideoptions»:»328,330,326,327,329,331,336″,»rw»:»64″,»iw»:»82″,»stvw»:»52″,»imp»:»42″,»shtap»:»10″,»sp_g»:»26″,»sp_s»:»-72″,»coefficient»:»1″,»chkdefault»:»1″,»imst»:»-56″,»t_frame»:»101.213″,»t_casement»:»103.213″,»t_impost»:»102.103″,»t_fitting_type»:»Maco MM»,»t_gasket»:»\u0427\u0435\u0440\u043d\u044b\u0439″,»t_system»:»Veka Euroline»,»sp_i»:»-23″,»sw»:»75″,»t_casement_door»:»103.219″,»swd»:»100″,»extrastv»:»28″,»sp_ds»:»-122″,»sp_di»:»-48″,»imd»:»-106″}

• Стандарт

  {«showdesc»:»1″,»alias»:»whs72″,»defaultoptions»:»326,337,336″,»hideoptions»:»253,254,255,256,328,330,329,331,352,356,357,300″,»batch_profile»:»p»,»rw»:»61″,»iw»:»81″,»coefficient»:»1″,»stvw»:»58″,»imp»:»48″,»sp_g»:»32″,»sp_s»:»-68″,»shtap»:»10″,»t_frame»:»101. 268.1″,»t_casement»:»103.362.1″,»t_impost»:»102.309.1″,»t_fitting_type»:»Vorne»,»t_gasket»:»\u0427\u0435\u0440\u043d\u044b\u0439″,»t_system»:»Veka WHS Halo72+»,»imst»:»-46″,»sp_i»:»-18″,»sw»:»79″}

• Премиум

  {«showdesc»:»1″,»alias»:»softline»,»batch_profile»:»s»,»defaultoptions»:»326,337,335″,»coefficient»:»1″,»hideoptions»:»254,256,328,330,329,331,336″,»rw»:»67″,»iw»:»85″,»stvw»:»58″,»imp»:»48″,»sp_g»:»32″,»sp_s»:»-70″,»imst»:»-54″,»shtap»:»10″,»t_frame»:»101.208″,»t_casement»:»103.232″,»t_impost»:»102.214″,»t_fitting_type»:»Maco MM»,»t_gasket»:»\u0427\u0435\u0440\u043d\u044b\u0439″,»t_system»:»Veka SoftlineAD»,»sp_i»:»-18.5″,»sw»:»80″,»t_casement_door»:»103.242″,»swd»:»105″,»extrastv»:»28″,»sp_ds»:»-120″,»sp_di»:»-44″,»imd»:»-104″}

• Люкс

  {«showdesc»:»1″,»alias»:»softline82″,»hideoptions»:»253,255,254,256,328,330,326,327,337,336,339″,»batch_profile»:»a»,»defaultoptions»:»329,338,335″,»rw»:»73″,»iw»:»94″,»coefficient»:»1″,»stvw»:»66″,»imp»:»50″,»sp_g»:»30″,»sp_s»:»-62″,»t_frame»:»101. 290″,»t_casement»:»103.341″,»t_impost»:»102.320″,»t_fitting_type»:»Maco MM»,»t_gasket»:»\u0421\u0435\u0440\u044b\u0439″,»t_system»:»Veka Softline82″,»shtap»:»10″,»imst»:»-52″,»sp_i»:»-16″,»sw»:»84″}

python — Pandas — Расчет уклона

спросил
6 лет, 2 месяца назад

Изменено
1 год, 6 месяцев назад

Просмотрено
13 тысяч раз

Как рассчитать наклон скользящего значения каждого столбца (окно = 60) с шагом 5?

Я хочу рассчитать значение каждые 5 минут, и мне не нужны результаты каждой записи.

Вот образец данных и результаты:

 df
Время А... Н
01.01.2016 00:00 1.2 ... 4.2
01.01.2016 00:01 1.2 ... 4.0
01. 01.2016 00:02 1.2 ... 4.5
01.01.2016 00:03 1.5...4.2
01.01.2016 00:04 1.1 ... 4.6
01.01.2016 00:05 1.6 ... 4.1
01.01.2016 00:06 1.7 ... 4.3
01.01.2016 00:07 1,8 ... 4,5
01.01.2016 00:08 1.1 ... 4.1
01.01.2016 00:09 1.5 ... 4.1
01.01.2016 00:10 1.6 ... 4.1
....
результат
Время А... Н
2016-01-01 00:04 ххх ... ххх
2016-01-01 00:09ххх ... ххх
2016-01-01 00:14 ххх ... ххх
...
 

Можно ли применить к этой проблеме функцию df.rolling?

Это нормально, если NaN находится в окне, что означает, что подмножество может быть меньше 60.

• python
• pandas
• регрессия

Кажется, что вам нужно прокатывать с определенным размером шага .
Однако, согласно документации pandas, размер шага в настоящее время не поддерживается в прокатке .

Если размер данных не слишком велик, просто выполните прокатку всех данных и выберите результаты с помощью индексации.

Вот пример набора данных. Для простоты столбец времени представлен целыми числами.

 данные = pd.DataFrame (np.random.rand (500, 1) * 10, столбцы = ['a'])
 

 а
0 8.714074
1 0,985467
2 9.101299
3 4.598044
4 4.193559
.. ...
495 9.736984
496 2.447377
497 5.209420
498 2.698441
499 3.438271
 

Затем раскатайте и рассчитайте уклоны,

 определение calc_slope(x):
    наклон = np.polyfit (диапазон (длина (x)), x, 1) [0]
    обратный уклон
# установите min_periods=2, чтобы разрешить подмножества меньше 60.
# используйте [4::5] для выбора нужных вам результатов.
результат = data.rolling(60, min_periods=2).apply(calc_slope)[4::5]
 

Результат будет,

 а
4 -0,542845
9 0,084953
14 0,155297
19 -0,048813
24 -0,011947
.. ...
479 -0,004792
484 -0,003714
489 0,022448
494 0,037301
499 0,027189
 

Или вы можете обратиться к этому сообщению. Первый ответ предоставляет простой способ добиться этого:
размер шага в pandas.DataFrame.rolling

попробуйте это

 windows = df. groupby("Time")["A"].rolling(60)
df[out] = windows.apply(lambda x: np.polyfit(range(60), x, 1)[0], raw=True).values
 

Вы можете использовать Pandas Resample. Обратите внимание, что для использования этого вам нужен индекс со значением времени

 df.index = pd.to_datetime(df.Time)
распечатать дф
результат = df.resample('5Min').bfill()
распечатать результат
                                 Время А Н
Время
01.01.2016 00:00:00 01.01.2016 00:00 1.2 4.2
01.01.2016 00:01:00 01.01.2016 00:01 1.2 4.0
01.01.2016 00:02:00 01.01.2016 00:02 1.2 4.5
01.01.2016 00:03:00 01.01.2016 00:03 1.5 4.2
01.01.2016 00:04:00 01.01.2016 00:04 1.1 4.6
01.01.2016 00:05:00 01.01.2016 00:05 1.6 4.1
01.01.2016 00:06:00 01.01.2016 00:06 1,7 4,3
01.01.2016 00:07:00 01.01.2016 00:07 1,8 4,5
01.01.2016 00:08:00 01.01.2016 00:08 1.1 4.1
2016-01-01 00:09:00 01.01.2016 00:09 1.5 4.1
01.01.2016 00:10:00 01.01.2016 00:10 1.6 4.1
01.01.2016 00:15:00 01.01.2016 00:15 1.6 4.1
                                 Время А Н
 

Выход

 Время
01. 01.2016 00:00:00 01.01.2016 00:00 1.2 4.2
01.01.2016 00:05:00 01.01.2016 00:05 1.6 4.1
01.01.2016 00:10:00 01.01.2016 00:10 1.6 4.1
01.01.2016 00:15:00 01.01.2016 00:15 1.6 4.1
 

1

Я использую:

 df['slope_I'] = df['I'].rolling('600s').apply(лямбда x: (x[-1]-x[0])/600)
 

, где наклон равен 1/секунде.

Вероятно, первые 600 секунд результата будут пустыми, их следует заполнить нулями или средним значением.
Первое число в столбце наклона будет наклоном линии, идущей от первого ряда внутри окна к последнему, и так далее во время прокатки.

С уважением.

Для других искателей ответов здесь я получил другое решение, в котором временной интервал не обязательно должен быть одинаковой длины.

 df.A.diff(60)/df.Time.diff(60).dt.total_seconds()
 

Эта строка кода берет разницу между текущей строкой и шестьюдесятью предыдущими строками и делит ее на разницу во времени тех же строк.
Если вам нужна только каждая пятая запись, следующая строка должна работать.

 df.A.diff(60)/df.Time.diff(60).dt.total_seconds()[4::5]
 

Примечание: рассчитывается каждая строка, и возвращается только 5-ступенчатая серия

doc pandas diff: https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.diff.html

Зарегистрируйтесь или войдите в систему

Зарегистрируйтесь с помощью Google

Зарегистрироваться через Facebook

Зарегистрируйтесь, используя адрес электронной почты и пароль

Опубликовать как гость

Электронная почта

Обязательно, но не отображается

Опубликовать как гость

Электронная почта

Требуется, но не отображается

python — рассчитать скользящую регрессию в Pandas и сохранить наклон

Задавать вопрос

спросил
3 года 5 месяцев назад

Изменено
1 год, 1 месяц назад

Просмотрено
6к раз

У меня есть данные временного ряда, и я хочу рассчитать групповую скользящую регрессию за последние n дней в Pandas и сохранить наклон этой регрессии в новом столбце.

Я искал старые вопросы, и на них либо не было ответа, либо я использовал Pandas OLS, который, как я слышал, устарел.

Я подумал, что, вероятно, мог бы использовать df.rolling.apply() в сочетании с функцией scipy.stats.linregress , но я не могу найти лямбда-функцию, которая делает то, что я хочу.

Вот пример кода

 импортировать numpy как np
импортировать панд как pd
из scipy.stats импортировать linregress
# сделать образец данных
дней = 21
группы = ['А', 'В', 'С']
data_days = список (диапазон (дни)) * длина (группы)
значения = np.random.rand (дни * len (группы))
df = pd.DataFrame (data = zip (отсортировано (группы * дни), data_days, значения),
                  столбцы = ['группа', 'день', 'значение'])
# рассчитать наклон регрессии за последние 7 дней
дней_назад = 7
grouped_data = df.groupby('группа')
для g данные в grouped_data:
    окно = data.rolling (окно = days_back,
                          min_periods=дней_назад)
 

Мне нужен новый столбец под названием «Наклон», в котором, начиная с 7-го дня, хранится наклон линейной регрессии за последние 7 дней.

• python
• панды
• регрессия

У меня были некоторые неправильные предположения, во-первых, мне не нужно перебирать группы, а во-вторых, я действительно не понимал, как работает roll.apply …

Итак, вот (на первый взгляд) рабочий код. Я использовал функцию linregress из scipy.stats:

 импортировать numpy как np
 импортировать панд как pd
 из scipy.stats импортировать linregress
 # создать случайную выборку данных
 дней = 14
 группы = ['А', 'В', 'С']
 data_days = список (диапазон (дни)) * длина (группы)
 значения = np.random.rand (дни * len (группы))
 df = pd.DataFrame (data = zip (отсортировано (группы * дни), data_days, значения),
 столбцы = ['группа', 'день', 'значение'])
 защита get_slope (массив):
 у = np.массив (массив)
 х = np.arange (длина (у))
 наклон, точка пересечения, r_value, p_value, std_err = linregress(x,y)
 обратный уклон
 # рассчитать наклон регрессии за последние 7 дней
 дней_назад = 3
 df['rolling_slope'] = df.