Pandas - 在多个时间序列组内插值/插补缺失值
Posted
技术标签:
【中文标题】Pandas - 在多个时间序列组内插值/插补缺失值【英文标题】:Pandas - Interpolating/imputing missing values within groups of multiple time series 【发布时间】:2020-02-05 15:23:50 【问题描述】:我正在使用一个数据集,其中包含有关多个用户的每月信息。并且每个用户都有不同的时间范围。每个用户也缺少数据。我想做的是根据每个用户的时间范围(从 min.time 到 max.time 以月为单位)填写每个用户的缺失数据。
由于数据模式属于时间序列,因此线性插值没有意义。我还根据“用户”和“日期”为数据框设置了多索引,但基于“时间”的插值不起作用(因为它尚未实现)
x = pd.DataFrame('user': ['a','a','a','a','a','a','a','a','b','b','b','b','b','b','b','b','b','c','c','c','c','c','c','c','c'],'dt':['2015-01-01','2015-02-01','2015-03-01','2015-04-01','2015-05-01','2015-06-01','2015-07-01','2015-08-01','2016-01-01','2016-02-01','2016-03-01','2016-04-01','2016-05-01','2016-06-01','2016-07-01','2016-08-01','2016-09-01','2017-01-01','2017-02-01','2017-03-01','2017-04-01','2017-05-01','2017-06-01','2017-07-01','2017-08-01'], 'val': [1,33,np.nan,1,np.nan,4,2,np.nan,66,2,5,1,np.nan,np.nan,7,5,np.nan,1,np.nan,7,4,np.nan,5,3,np.nan])
user dt val
0 a 2015-01-01 1
1 a 2015-02-01 33
2 a 2015-03-01 NaN
3 a 2015-04-01 1
4 a 2015-05-01 NaN
5 a 2015-06-01 4
6 a 2015-07-01 2
7 a 2015-08-01 NaN
8 b 2016-01-01 66
9 b 2016-02-01 2
10 b 2016-03-01 5
11 b 2016-04-01 1
12 b 2016-05-01 NaN
13 b 2016-06-01 NaN
14 b 2016-07-01 7
15 b 2016-08-01 5
16 b 2016-09-01 NaN
17 c 2017-01-01 1
18 c 2017-02-01 NaN
19 c 2017-03-01 7
20 c 2017-04-01 4
21 c 2017-05-01 NaN
22 c 2017-06-01 5
23 c 2017-07-01 3
24 c 2017-08-01 NaN
在上面的数据集中,“val”列有几个缺失值,我正在研究如何为几个“用户”自动化执行此操作的过程。
此外,考虑到否,为每个用户构建时间序列模型是否有意义。每个用户的数据点数?
任何输入/解决方法将不胜感激。
谢谢, 卢克。
【问题讨论】:
你能展示你的预期输出吗?x.groupby('user')['val'].apply(lambda x: x.ffill())
?
请检查我的答案
@ansev 我已经为“用户”和“日期”上的数据框设置了多索引,并且 interpolate(method = 'time') 失败。既然是时间序列数据,那么线性插值或均值插值是否有意义?
我认为线性插值更有意义。因为通过这种方式,值取决于最接近的值。如果用户急剧改变他的活动,也不会出现峰值。但这取决于您要提供的应用程序
【参考方案1】:
您可以根据用户使用Groupby + apply 填充缺失值。无需为每个用户创建一个系列。
这是一个如何填写缺失数据的示例( 除了这些方法您还可以创建自己的函数):
1.用interpolate为每个组插值。用fillna填充
x['val']=x.groupby('user')['val'].apply(lambda x: x.fillna(x.interpolate()))
print(x)
user dt val
0 a 2015-01-01 1.0
1 a 2015-02-01 33.0
2 a 2015-03-01 17.0
3 a 2015-04-01 1.0
4 a 2015-05-01 2.5
5 a 2015-06-01 4.0
6 a 2015-07-01 2.0
7 a 2015-08-01 2.0
8 b 2016-01-01 66.0
9 b 2016-02-01 2.0
10 b 2016-03-01 5.0
11 b 2016-04-01 1.0
12 b 2016-05-01 3.0
13 b 2016-06-01 5.0
14 b 2016-07-01 7.0
15 b 2016-08-01 5.0
16 b 2016-09-01 5.0
17 c 2017-01-01 1.0
18 c 2017-02-01 4.0
19 c 2017-03-01 7.0
20 c 2017-04-01 4.0
21 c 2017-05-01 4.5
22 c 2017-06-01 5.0
23 c 2017-07-01 3.0
24 c 2017-08-01 3.0
2。 ffill方法:
x['val']=x.groupby('user')['val'].apply(lambda x: x.ffill())
user dt val
0 a 2015-01-01 1.0
1 a 2015-02-01 33.0
2 a 2015-03-01 33.0
3 a 2015-04-01 1.0
4 a 2015-05-01 1.0
5 a 2015-06-01 4.0
6 a 2015-07-01 2.0
7 a 2015-08-01 2.0
8 b 2016-01-01 66.0
9 b 2016-02-01 2.0
10 b 2016-03-01 5.0
11 b 2016-04-01 1.0
12 b 2016-05-01 1.0
13 b 2016-06-01 1.0
14 b 2016-07-01 7.0
15 b 2016-08-01 5.0
16 b 2016-09-01 5.0
17 c 2017-01-01 1.0
18 c 2017-02-01 1.0
19 c 2017-03-01 7.0
20 c 2017-04-01 4.0
21 c 2017-05-01 4.0
22 c 2017-06-01 5.0
23 c 2017-07-01 3.0
24 c 2017-08-01 3.0
3.使用mean的组。填写fillna:
x['val']=x.groupby('user')['val'].apply(lambda x: x.fillna(x.mean()))
print(x)
user dt val
0 a 2015-01-01 1.000000
1 a 2015-02-01 33.000000
2 a 2015-03-01 8.200000
3 a 2015-04-01 1.000000
4 a 2015-05-01 8.200000
5 a 2015-06-01 4.000000
6 a 2015-07-01 2.000000
7 a 2015-08-01 8.200000
8 b 2016-01-01 66.000000
9 b 2016-02-01 2.000000
10 b 2016-03-01 5.000000
11 b 2016-04-01 1.000000
12 b 2016-05-01 14.333333
13 b 2016-06-01 14.333333
14 b 2016-07-01 7.000000
15 b 2016-08-01 5.000000
16 b 2016-09-01 14.333333
17 c 2017-01-01 1.000000
18 c 2017-02-01 4.000000
19 c 2017-03-01 7.000000
20 c 2017-04-01 4.000000
21 c 2017-05-01 4.000000
22 c 2017-06-01 5.000000
23 c 2017-07-01 3.000000
24 c 2017-08-01 4.000000
【讨论】:
【参考方案2】:我会这样做的。
假设您知道要如何推断缺失值。
然后我会创建你用来估算数据的函数,它应该是这样的:
def f(x):
# x is a DataFrame with columns [datetime, value]
# ...
# ...
output = ...
# output is a dataframe with columns [datetime, value],
# where value is a column with the data imputed (so without nans)
return output
那么你可以这样做:
x.groupby(user).apply(f)
【讨论】:
以上是关于Pandas - 在多个时间序列组内插值/插补缺失值的主要内容,如果未能解决你的问题,请参考以下文章
Python Pandas 插值:在缺失的日期范围内重新分配值
使用 fancyimpute 和 pandas 进行数据插补
pandas使用interpolate函数并设置method参数使用不同的插值算法对缺失值进行填充
pandas dataframe缺失值(np.nan)处理:识别缺失情况删除0值填补均值填补中位数填补加缺失标签插值填充详解及实例