在 Pandas MultiIndex 中移动 DateTime 索引

Posted 2023-03-12

【中文标题】在 Pandas MultiIndex 中移动 DateTime 索引

【英文标题】：Shift DateTime index within a Pandas MultiIndex

【发布时间】：2020-08-01 11:25:43

【问题描述】：

我有一个 csv 文件，当我加载它时如下所示：

# generate example data
users = ['A', 'B', 'C', 'D']
#dates = pd.date_range("2020-02-01 00:00:00", "2020-04-04 20:00:00", freq="H")
dates = pd.date_range("2020-02-01 00:00:00", "2020-02-04 20:00:00", freq="H")
idx = pd.MultiIndex.from_product([users, dates])
idx.names = ["user", "datehour"]
y = pd.Series(np.random.choice(a=[0, 1], size=len(idx)), index=idx).rename('y')

# write to csv and reload (turns out this matters)
y.to_csv('reprod_example.csv')
y = pd.read_csv('reprod_example.csv', parse_dates=['datehour'])
y = y.set_index(['user', 'datehour']).y

>>> y.head()
user  datehour           
A     2020-02-01 00:00:00    0
      2020-02-01 01:00:00    0
      2020-02-01 02:00:00    1
      2020-02-01 03:00:00    0
      2020-02-01 04:00:00    0
Name: y, dtype: int64

我有以下函数来创建索引级别的滞后特征：

def shift_index(a, dt_idx_name, lag_freq, lag):

    # get datetime index of relevant level
    ac = a.copy()
    dti = ac.index.get_level_values(dt_idx_name)

    # shift it
    dti_shifted = dti.shift(lag, freq=lag_freq)

    # put it back where you found it
    ac.index.set_levels(dti_shifted, level=dt_idx_name, inplace=True)

    return ac

但是当我运行时： y_lag = shift_index(y, 'datehour', 'H', 1)，我收到以下错误：

ValueError: Level values must be unique...

(我实际上可以通过添加verify_integrity=False来抑制这个错误 在函数中的.index.set_levels... 中，但这（可以预见）会导致问题）

这是奇怪的部分。如果您运行上面的示例但没有从 csv 保存/重新加载，它可以工作。我认为，原因似乎是y.index.get_level_value('datehour') 在创建后立即显示freq='H' 属性，但在从csv 重新加载后freq=None。

这是有道理的，csv 显然不会保存该元数据。但是我发现为 MultiIndexed 系列设置 freq 属性非常困难。例如，这什么也没做。 df.index.freq = pd.tseries.frequencies.to_offset("H")。 this answer 也不适用于我的 MultiIndex。

因此，如果我能够设置 MultiIndex 的 DateTime 组件的 freq 属性，我想我可以解决这个问题。但我的最终目标是创建我的 y 数据的一个版本，其中包含移位的 DateTime MultiIndex 组件，例如上面的 shift_index 函数。由于我通过 csv 接收数据，因此不能选择“只是不保存到 csv 并重新加载”。

【问题讨论】：

好问题。我有一个类似的问题，freq 在操作后设置为None - 在我的情况下，当我使用df.index = pd.MultiIndex.from_arrays([qhour.index, qhour.index.year]) 重新索引时。我有兴趣看看是否有更...​​直截了当的...做事方式（无意冒犯@mcskinner ;)）

【参考方案1】：

经过一番折腾，我能够在分组数据上使用asfreq('H') 设置每小时频率，这样每个组的datehour 索引都有唯一值。

y = pd.read_csv('reprod_example.csv', parse_dates=['datehour'])
y = y.groupby('user').apply(lambda df: df.set_index('datehour').asfreq('H')).y

查看索引值显示正确的频率。

y.index[0]                                                                                                                                                                                                                          
# ('A', Timestamp('2020-02-01 00:00:00', freq='H'))

所做的只是将索引设置为两部分。 user 首先出现，以便嵌套的 datehour 索引在其中可以是唯一的。一旦datehour 索引是唯一的，那么asfreq 可以毫无困难地使用。

如果您在非唯一索引上尝试asfreq，它将不起作用。

y_load.set_index('datehour').asfreq('H')
# ---------------------------------------------------------------------------
# ValueError                                Traceback (most recent call last)
# <ipython-input-433-3ba51b619417> in <module>
# ----> 1 y_load.set_index('datehour').asfreq('H')
# ...
# ValueError: cannot reindex from a duplicate axis

【讨论】：

哇，在 groupby/apply/lambda 中设置一个索引来设置频率，狂野。经过多次摆弄，我确信。我对您的发现印象深刻，我可以确认它绝对有效（+1）。希望你不介意我会等一两天，看看是否有人想出一个更简单/更惯用的方式，我认为它必须存在？

完全没问题。很高兴这有帮助！是的，非常狂野。开箱即用时，Pandas 非常棒，但如果不这样做，就会变得很尴尬。

在此处向 pandas 开发人员发布了一个问题，我们将看看他们是否有更简单的方法。 github.com/pandas-dev/pandas/issues/33647