In [1]:
# Import all required Python libraries and modules
import pandas as pd
In [2]:
# Create a list of auto-incrementing file paths
basepath = "/Users/anthony/AnthonyWork/Data_Raw/FieldInstruments/LoggerData/Hypnos_Redox/H076_TransectA-East"
filename_template = "%s/H076_%03i.TXT" # to create a series of incrementing file names via the % string formatting operator
filenumbers = range(6,171,1) # the range of file increment numbers, from the first to one past the last, incrementing by 1
filepaths = []
for filenumber in filenumbers:
filepath = filename_template % (basepath, filenumber)
filepaths.append(filepath)
For more information on string formatting operators, see http://www.tutorialspoint.com/python/python_strings.htm.
For example, if we ran this code:
print(filename_template % (basepath, 6.1))
%s in "%s/H076_%03i.TXT" would be replaced by the value of basepath converted to a string%03i in "%s/H076_%03i.TXT" would replaced by the value of 6.1 converted to an integer.and the output would look like:
/Users/anthony/AnthonyWork/Data_Raw/FieldInstruments/LoggerData/Hypnos_Redox/H076_TransectA-East/H076_006.TXT
In [3]:
# A For loop that reads each file using the Pandas "read_csv" function,
# then appends the resulting DataFrame object to a list called "dataframes".
dataframes = []
for filepath in filepaths:
df = pd.read_csv(filepath, delimiter=";", header=10, index_col=0, na_values=[-999], parse_dates=True, skipinitialspace=True)
df = df.drop(df.index[-1]) # drops all rows where the DateTimeIndex is NaT
dataframes.append(df)
In [3]:
In [4]:
# Concatenate all the DataFrames in the "dataframes" list into a single DataFrame
df = pd.concat(dataframes)
df
Out[4]:
R_00
R_01
R_02
R_03
R_04
R_05
R_06
R_07
R_08
R_09
...
R_26
R_27
R_28
R_29
R_30
R_31
R_32
R_33
R_34
R_35
Timestamp
2012-10-03 16:05:00
-23
40
22
102
26
18
32
6
-14
22
...
-3
34
25
-23
1
18
1
NaN
0
33
2012-10-03 16:10:00
-24
44
20
102
26
16
34
6
-15
24
...
-10
34
26
-24
2
18
-6
NaN
-7
32
2012-10-03 16:15:00
-24
45
20
101
26
16
34
6
-15
23
...
-14
32
26
-24
2
18
-10
NaN
-12
27
2012-10-03 16:20:00
-24
45
21
100
24
17
34
7
-15
22
...
-18
28
25
-23
1
18
-15
NaN
-17
23
2012-10-03 16:25:00
-23
45
23
98
21
18
32
9
-15
21
...
-22
25
25
-22
0
18
-18
NaN
-20
18
2012-10-03 16:30:00
-23
44
24
96
19
20
30
11
-14
20
...
-26
21
23
-20
-1
20
-21
NaN
-23
14
2012-10-03 16:35:00
-22
43
26
94
18
21
28
13
-13
18
...
-28
18
22
-18
-3
22
-24
NaN
-26
9
2012-10-03 16:40:00
-21
42
27
92
15
23
26
15
-12
16
...
-31
13
20
-15
-5
24
-26
NaN
-29
4
2012-10-03 16:45:00
-21
41
29
90
12
24
24
17
-11
15
...
-34
9
20
-12
-7
26
-28
NaN
-31
0
2012-10-03 16:50:00
-20
40
30
88
10
25
23
18
-10
13
...
-37
5
19
-11
-9
27
-31
NaN
-34
-5
2012-10-03 16:55:00
-19
40
31
87
9
26
23
20
-9
12
...
-40
1
18
-9
-10
28
-32
NaN
-38
-9
2012-10-03 17:00:00
-19
40
32
85
8
27
22
20
-9
10
...
-43
-1
18
-8
-11
29
-35
NaN
-42
-13
2012-10-03 17:05:00
-18
39
33
84
6
27
22
21
-8
10
...
-47
-5
17
-7
-12
29
-38
NaN
-46
-18
2012-10-03 17:10:00
-18
39
34
83
6
27
22
22
-8
9
...
-51
-8
17
-6
-13
30
-40
NaN
-51
-21
2012-10-03 17:15:00
-18
39
34
82
5
27
22
23
-7
8
...
-54
-11
15
-6
-14
31
-43
NaN
-56
-25
2012-10-03 17:20:00
-18
39
35
80
4
28
22
23
-7
7
...
-57
-15
15
-5
-14
31
-46
NaN
-60
-28
2012-10-03 17:25:00
-18
38
35
79
3
28
22
24
-7
6
...
-61
-18
15
-4
-15
32
-48
NaN
-65
-32
2012-10-03 17:30:00
-18
38
35
79
2
29
22
25
-7
6
...
-65
-21
15
-3
-15
32
-51
NaN
-70
-35
2012-10-03 17:35:00
-18
39
35
78
1
29
22
26
-7
6
...
-68
-23
15
-3
-16
33
-54
NaN
-74
-38
2012-10-03 17:40:00
-18
39
37
77
1
29
22
26
-6
4
...
-71
-26
14
-3
-17
34
-57
NaN
-79
-42
2012-10-03 17:45:00
-17
39
37
77
0
29
22
26
-6
4
...
-75
-29
14
-3
-17
34
-59
NaN
-83
-45
2012-10-03 17:50:00
-17
39
37
76
0
29
23
27
-6
3
...
-79
-32
14
-2
-18
34
-62
NaN
-88
-48
2012-10-03 17:55:00
-17
39
37
76
0
29
23
27
-6
3
...
-82
-35
14
-1
-18
35
-64
NaN
-92
-50
2012-10-03 18:00:00
-17
39
37
74
-1
29
23
28
-6
3
...
-85
-37
13
-1
-18
35
-67
NaN
-96
-53
2012-10-03 18:05:00
-17
39
37
74
-1
29
23
28
-6
2
...
-88
-39
13
-1
-18
35
-69
NaN
-100
-56
2012-10-03 18:10:00
-17
40
37
73
-1
29
23
29
-6
2
...
-92
-42
13
0
-19
35
-71
NaN
-104
-58
2012-10-03 18:15:00
-17
40
37
73
-2
29
23
29
-6
1
...
-95
-45
13
0
-19
35
-74
NaN
-109
-60
2012-10-03 18:20:00
-17
40
38
73
-3
29
24
29
-6
1
...
-99
-47
13
0
-19
36
-76
NaN
-113
-63
2012-10-03 18:25:00
-17
40
38
72
-3
29
24
30
-6
1
...
-101
-49
13
0
-20
36
-79
NaN
-116
-65
2012-10-03 18:30:00
-17
40
38
71
-3
29
24
30
-6
1
...
-105
-52
13
0
-20
37
-81
NaN
-121
-68
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
2013-10-18 09:50:00
490
464
-364
-359
-432
-442
-328
254
556
-374
...
513
445
476
251
-307
-332
-383
-272
542
583
2013-10-18 09:55:00
489
464
-364
-359
-432
-443
-327
253
556
-375
...
512
445
476
252
-308
-331
-383
-272
542
583
2013-10-18 10:00:00
489
464
-364
-359
-432
-443
-327
253
556
-375
...
512
445
476
252
-308
-331
-383
-272
542
583
2013-10-18 10:05:00
489
464
-364
-359
-432
-443
-327
253
556
-375
...
512
445
476
252
-308
-331
-383
-272
541
583
2013-10-18 10:10:00
489
464
-364
-359
-432
-443
-327
253
556
-375
...
512
445
476
251
-307
-332
-383
-272
542
583
2013-10-18 10:15:00
489
463
-364
-359
-432
-442
-328
253
555
-374
...
512
445
476
250
-306
-332
-383
-272
541
583
2013-10-18 10:20:00
489
464
-364
-359
-432
-442
-328
254
555
-374
...
512
445
476
250
-306
-332
-383
-272
541
583
2013-10-18 10:25:00
488
464
-364
-359
-433
-442
-328
253
555
-374
...
512
444
476
250
-306
-332
-383
-272
541
583
2013-10-18 10:30:00
488
463
-364
-359
-432
-443
-327
253
555
-374
...
512
445
474
251
-307
-331
-383
-272
541
582
2013-10-18 10:35:00
488
463
-364
-359
-432
-442
-327
253
555
-374
...
512
445
474
251
-307
-331
-383
-272
541
582
2013-10-18 10:40:00
488
463
-364
-358
-432
-442
-327
253
555
-374
...
512
444
475
250
-306
-331
-383
-271
541
583
2013-10-18 10:45:00
488
463
-364
-359
-432
-442
-327
253
555
-374
...
512
445
474
250
-306
-331
-383
-272
541
582
2013-10-18 10:50:00
488
463
-364
-358
-432
-442
-328
253
555
-373
...
512
444
474
250
-306
-331
-384
-271
540
582
2013-10-18 10:55:00
488
463
-364
-358
-432
-442
-327
253
555
-373
...
512
444
474
250
-306
-331
-384
-271
540
582
2013-10-18 11:00:00
487
463
-364
-358
-431
-442
-327
253
554
-373
...
511
444
474
249
-306
-331
-384
-271
539
582
2013-10-18 11:05:00
487
462
-364
-359
-431
-443
-328
252
553
-373
...
510
444
473
249
-305
-331
-384
-272
538
580
2013-10-18 11:10:00
486
461
-364
-359
-432
-443
-328
250
552
-373
...
510
443
472
248
-305
-331
-386
-272
537
580
2013-10-18 11:15:00
485
460
-364
-359
-433
-442
-328
250
551
-373
...
508
442
472
246
-305
-333
-386
-273
534
579
2013-10-18 11:20:00
484
459
-364
-359
-432
-443
-328
249
549
-373
...
507
442
470
246
-305
-333
-386
-274
532
578
2013-10-18 11:25:00
483
458
-364
-359
-432
-442
-329
247
547
-372
...
506
440
469
244
-303
-333
-386
-274
529
577
2013-10-18 11:30:00
481
457
-364
-359
-432
-442
-330
246
545
-372
...
505
439
467
243
-303
-334
-386
-274
526
576
2013-10-18 11:35:00
480
454
-364
-360
-432
-442
-330
245
543
-372
...
503
439
465
242
-302
-334
-386
-275
523
573
2013-10-18 11:40:00
478
453
-364
-359
-432
-441
-330
244
541
-372
...
501
437
464
240
-301
-334
-386
-275
519
572
2013-10-18 11:45:00
477
451
-364
-360
-432
-440
-331
244
538
-372
...
499
436
461
239
-300
-334
-386
-275
517
569
2013-10-18 11:50:00
476
450
-363
-361
-431
-440
-330
242
537
-372
...
498
435
459
239
-300
-333
-386
-275
513
568
2013-10-18 11:55:00
474
448
-363
-361
-431
-440
-330
242
534
-371
...
498
434
457
238
-299
-333
-386
-275
510
566
2013-10-18 12:00:00
473
448
-364
-360
-431
-439
-331
242
532
-370
...
496
433
456
236
-298
-334
-384
-275
509
565
2013-10-18 12:05:00
473
446
-364
-360
-431
-439
-331
241
530
-371
...
494
432
454
235
-298
-334
-384
-275
507
563
2013-10-18 12:10:00
471
445
-364
-360
-431
-439
-331
241
529
-371
...
493
431
453
235
-298
-334
-385
-275
504
562
2013-10-18 12:15:00
470
444
-364
-361
-431
-439
-331
240
527
-371
...
492
430
451
235
-298
-334
-386
-275
503
560
109395 rows × 36 columns
In [5]:
df.index
Out[5]:
<class 'pandas.tseries.index.DatetimeIndex'>
[2012-10-03 16:05:00, ..., 2013-10-18 12:15:00]
Length: 109395, Freq: None, Timezone: None
In [6]:
df.index = df.index.tz_localize('EST')
In [7]:
df.index
Out[7]:
<class 'pandas.tseries.index.DatetimeIndex'>
[2012-10-03 16:05:00-05:00, ..., 2013-10-18 12:15:00-05:00]
Length: 109395, Freq: None, Timezone: EST
In [8]:
df.index.name.strip()
Out[8]:
'Timestamp'
In [12]:
df.index[0:2]
Out[12]:
<class 'pandas.tseries.index.DatetimeIndex'>
[2012-06-14 20:02:00-05:00, 2012-06-14 20:03:00-05:00]
Length: 2, Freq: None, Timezone: EST
In [14]:
# Write combined data to a single CSV text file
filepath_CSVoutput = basepath + "/H076_all.csv"
df.to_csv(filepath_CSVoutput, na_rep="NaN", date_format='%Y-%m-%d %H:%M')
In [15]:
# Write combined data to a single pyTables HDF5 table file
filepath_HDFoutput = basepath + "/H076_all.h5"
df.to_hdf(filepath_HDFoutput, "H076", format="table", complib="blosc") # see http://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.to_hdf.html
In [16]:
pd.read_hdf(filepath_HDFoutput, "H076") # see http://pandas.pydata.org/pandas-docs/stable/generated/pandas.read_hdf.html
Out[16]:
R_00
R_01
R_02
R_03
R_04
R_05
R_06
R_07
R_08
R_09
...
R_38
R_39
R_40
R_41
R_42
R_43
R_44
R_45
R_46
R_47
Timestamp
2012-06-14 20:02:00-05:00
-49
32
-29
19
20
-50
2
-1
-24
52
...
12
-40
-215
NaN
-229
-84
-200
NaN
-158
-109
2012-06-14 20:03:00-05:00
-49
32
-30
19
20
-50
2
-1
-24
52
...
11
-40
-215
NaN
-229
-84
-201
NaN
-158
-109
2012-06-14 20:04:00-05:00
-50
32
-30
19
20
-50
2
-1
-24
52
...
11
-40
-215
NaN
-229
-84
-201
NaN
-158
-109
2012-06-14 20:05:00-05:00
-50
32
-30
19
20
-50
2
-1
-24
52
...
11
-40
-216
NaN
-229
-84
-201
NaN
-158
-110
2012-06-14 20:06:00-05:00
-50
32
-29
19
20
-50
2
-1
-24
52
...
11
-40
-216
NaN
-230
-84
-201
NaN
-158
-110
2012-06-14 20:07:00-05:00
-50
32
-30
19
20
-50
2
-1
-24
52
...
11
-40
-216
NaN
-230
-84
-201
NaN
-158
-110
2012-06-14 20:08:00-05:00
-49
32
-29
19
19
-50
2
-1
-24
52
...
11
-40
-217
NaN
-230
-84
-201
NaN
-159
-110
2012-06-14 20:09:00-05:00
-50
32
-29
19
19
-50
2
-1
-24
52
...
11
-40
-217
NaN
-230
-84
-202
NaN
-159
-110
2012-06-14 20:10:00-05:00
-49
32
-29
19
19
-50
2
-1
-24
52
...
11
-40
-217
NaN
-230
-84
-202
NaN
-159
-110
2012-06-14 20:11:00-05:00
-49
32
-30
19
19
-50
2
-1
-24
52
...
11
-40
-217
NaN
-231
-84
-202
NaN
-159
-110
2012-06-14 20:12:00-05:00
-49
32
-29
19
19
-50
2
-1
-24
52
...
11
-40
-217
NaN
-231
-85
-202
NaN
-160
-110
2012-06-14 20:13:00-05:00
-49
32
-29
19
19
-50
2
-1
-24
52
...
11
-40
-217
NaN
-231
-85
-202
NaN
-160
-110
2012-06-14 20:14:00-05:00
-49
32
-29
19
19
-50
2
-1
-24
52
...
11
-40
-217
NaN
-231
-86
-203
NaN
-160
-110
2012-06-14 20:15:00-05:00
-49
32
-29
19
19
-50
2
-1
-24
52
...
11
-40
-217
NaN
-231
-86
-203
NaN
-160
-110
2012-06-14 20:16:00-05:00
-49
32
-29
19
19
-50
2
-1
-24
52
...
11
-40
-218
NaN
-231
-86
-203
NaN
-160
-110
2012-06-14 20:17:00-05:00
-49
32
-29
19
19
-50
2
-1
-24
52
...
11
-40
-218
NaN
-231
-86
-203
NaN
-160
-110
2012-06-14 20:18:00-05:00
-49
32
-29
19
19
-50
2
-1
-24
52
...
11
-40
-218
NaN
-231
-86
-203
NaN
-160
-110
2012-06-14 20:19:00-05:00
-49
32
-29
18
19
-50
2
-1
-24
52
...
11
-40
-218
NaN
-231
-86
-203
NaN
-161
-110
2012-06-14 20:20:00-05:00
-49
32
-29
18
19
-50
2
-1
-24
52
...
11
-40
-218
NaN
-231
-86
-203
NaN
-161
-110
2012-06-14 20:21:00-05:00
-49
32
-29
18
19
-50
2
-1
-24
52
...
11
-40
-218
NaN
-232
-86
-203
NaN
-161
-110
2012-06-14 20:22:00-05:00
-49
32
-29
18
19
-50
2
-1
-24
51
...
11
-40
-218
NaN
-232
-86
-203
NaN
-161
-110
2012-06-14 20:23:00-05:00
-49
32
-29
18
19
-50
2
-1
-24
52
...
11
-40
-218
NaN
-232
-86
-203
NaN
-161
-111
2012-06-14 20:24:00-05:00
-49
32
-29
18
19
-50
2
-1
-24
51
...
11
-40
-218
NaN
-232
-86
-204
NaN
-161
-111
2012-06-14 20:25:00-05:00
-49
32
-29
18
19
-50
2
-1
-24
52
...
10
-40
-219
NaN
-232
-86
-204
NaN
-161
-111
2012-06-14 20:26:00-05:00
-49
32
-29
18
19
-50
2
-1
-24
51
...
11
-40
-219
NaN
-232
-86
-204
NaN
-162
-111
2012-06-14 20:27:00-05:00
-49
32
-29
18
19
-50
2
-1
-24
51
...
10
-40
-219
NaN
-232
-86
-204
NaN
-162
-112
2012-06-14 20:28:00-05:00
-49
32
-29
18
19
-50
2
-1
-24
51
...
10
-40
-220
NaN
-232
-86
-204
NaN
-162
-112
2012-06-14 20:29:00-05:00
-49
32
-29
18
19
-50
2
-1
-24
51
...
10
-40
-220
NaN
-232
-86
-204
NaN
-162
-112
2012-06-14 20:30:00-05:00
-49
32
-29
18
19
-50
1
-1
-24
51
...
10
-40
-220
NaN
-233
-86
-205
NaN
-162
-112
2012-06-21 12:31:00-05:00
-35
-24
23
-28
-25
12
-42
46
18
5
...
-42
8
10
-323
11
-33
-2
-316
-42
8
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
2013-10-16 21:35:00-05:00
386
401
-367
412
-414
-413
-397
-317
-316
452
...
479
465
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 21:40:00-05:00
384
403
-370
412
-414
-413
-396
-319
-314
451
...
476
467
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 21:45:00-05:00
385
403
-370
414
-415
-412
-397
-317
-315
452
...
479
466
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 21:50:00-05:00
385
403
-370
414
-415
-413
-397
-317
-316
452
...
478
467
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 21:55:00-05:00
385
403
-371
414
-415
-413
-396
-317
-315
452
...
477
468
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 22:00:00-05:00
386
403
-371
414
-415
-412
-396
-315
-316
453
...
480
467
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 22:05:00-05:00
385
403
-372
415
-415
-412
-396
-316
-316
453
...
480
468
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 22:10:00-05:00
386
403
-373
415
-415
-412
-396
-315
-316
454
...
480
468
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 22:15:00-05:00
388
403
-371
414
-413
-413
-395
-316
-316
454
...
481
468
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 22:20:00-05:00
385
404
-374
415
-414
-413
-395
-316
-315
453
...
479
470
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 22:25:00-05:00
388
403
-373
413
-413
-411
-394
-313
-316
455
...
482
467
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 22:30:00-05:00
387
403
-374
413
-412
-413
-393
-314
-316
454
...
481
470
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 22:35:00-05:00
388
403
-376
414
-413
-412
-394
-313
-316
456
...
482
468
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 22:40:00-05:00
389
405
-375
415
-411
-411
-392
-312
-314
456
...
482
470
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 22:45:00-05:00
389
406
-376
414
-411
-411
-391
-311
-314
457
...
483
470
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 22:50:00-05:00
391
406
-376
415
-410
-411
-388
-308
-314
457
...
484
471
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 22:55:00-05:00
389
408
-376
417
-410
-410
-387
-306
-313
457
...
483
474
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 23:00:00-05:00
391
409
-377
418
-410
-408
-385
-303
-313
458
...
485
474
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 23:05:00-05:00
393
408
-376
416
-408
-407
-382
-301
-313
460
...
487
474
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 23:10:00-05:00
392
409
-377
418
-408
-406
-380
-299
-311
460
...
486
476
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 23:15:00-05:00
392
412
-374
420
-405
-403
-373
-294
-309
462
...
488
479
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 23:20:00-05:00
393
409
-375
417
-405
-404
-372
-292
-309
462
...
488
477
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 23:25:00-05:00
394
410
-374
418
-405
-402
-371
-289
-309
462
...
491
476
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 23:30:00-05:00
395
411
-373
418
-404
-402
-367
-288
-308
463
...
491
479
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 23:35:00-05:00
394
413
-374
420
-404
-401
-365
-286
-307
463
...
490
479
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 23:40:00-05:00
395
412
-373
419
-403
-400
-362
-285
-307
463
...
491
479
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 23:45:00-05:00
394
411
-374
419
-403
-400
-360
-284
-307
463
...
491
479
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 23:50:00-05:00
394
413
-374
420
-403
-399
-359
-283
-306
462
...
491
480
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-16 23:55:00-05:00
394
411
-373
418
-404
-399
-359
-283
-308
462
...
491
477
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
2013-10-17 00:00:00-05:00
394
411
-374
419
-403
-399
-357
-282
-307
462
...
491
479
NaN
NaN
NaN
NaN
NaN
NaN
NaN
NaN
120811 rows × 48 columns
In [ ]:
In [74]:
#### The next thing to try is to read in metadata from "HypnosLogger076_DataChannelsInfo.xlsx"
# and append that metatdata to column headings
# It seems possible to rename all columns at once, but not one at a time.
df.columns = ['R_0y', u'R_01', u'R_02', u'R_03', u'R_04', u'R_05', u'R_06', u'R_07', u'R_08', u'R_09', u'R_10', u'R_11', u'R_12', u'R_13', u'R_14', u'R_15', u'R_16', u'R_17', u'R_18', u'R_19', u'R_20', u'R_21', u'R_22', u'R_23', u'R_24', u'R_25', u'R_26', u'R_27', u'R_28', u'R_29', u'R_30', u'R_31', u'R_32', u'R_33', u'R_34', u'R_3x']
df.columns
Out[74]:
Index([u'R_0y', u'R_01', u'R_02', u'R_03', u'R_04', u'R_05', u'R_06', u'R_07', u'R_08', u'R_09', u'R_10', u'R_11', u'R_12', u'R_13', u'R_14', u'R_15', u'R_16', u'R_17', u'R_18', u'R_19', u'R_20', u'R_21', u'R_22', u'R_23', u'R_24', u'R_25', u'R_26', u'R_27', u'R_28', u'R_29', u'R_30', u'R_31', u'R_32', u'R_33', u'R_34', u'R_3x'], dtype='object')
In [16]:
#### I'm stuck on this step ###
df1 = df.rename(index={1:"test"})
df.columns
Out[16]:
Index([u'R_00', u'R_01', u'R_02', u'R_03', u'R_04', u'R_05', u'R_06', u'R_07', u'R_08', u'R_09', u'R_10', u'R_11', u'R_12', u'R_13', u'R_14', u'R_15', u'R_16', u'R_17', u'R_18', u'R_19', u'R_20', u'R_21', u'R_22', u'R_23', u'R_24', u'R_25', u'R_26', u'R_27', u'R_28', u'R_29', u'R_30', u'R_31', u'R_32', u'R_33', u'R_34', u'R_35'], dtype='object')
Content source: StroudCenter/EnviroDataScripts
Similar notebooks: