按小时分组时如何概括分类数据？

Posted 2023-03-12

【中文标题】按小时分组时如何概括分类数据？

【英文标题】：How to generalise categorical data when grouping by hour?

【发布时间】：2020-04-19 00:44:25

【问题描述】：

我有一个如下所示的数据集。我有日期时间列作为索引，另一列有分类变量。 type 是一个分类变量。

start_time          type

2019-12-14 09:37:05 R
2019-12-14 09:40:05 D       
2019-12-14 10:06:25 C       
2019-12-14 10:44:21 C       
2019-12-14 10:50:21 R
2019-12-14 11:06:38 D       
2019-12-14 11:29:04 R   
2019-12-14 11:29:04 R   

现在，我想每隔一小时重新采样一次数据。我希望重新采样的数据如下所示

start_time              type

2019-12-14 09:00:00     R       
2019-12-14 10:00:00     C               
2019-12-14 11:00:00     D       

我应该在这里实现什么逻辑来选择每小时 type 的值应该是什么？一种方法是取一小时内重复值的最大次数。例如，在 10:00:00，如果 type C 出现 3 次，D 出现 1 次，R 出现 2 次。我可以将 C 分配给时间戳 10:00:00。

还有什么其他方法可以处理这种情况？我的最终目标是预测接下来几个小时的类型序列，如果 RRCD 是前一个序列，那么接下来几个小时的下一个序列是什么？

谢谢

【问题讨论】：

为什么你首先需要R记录(09:37:05)而不是11:29:04？您能否添加更多记录 + 预期的 dataframe？

我不需要第一个 R 记录。这只是我给出的例子。我在我的问题中添加了更多记录。希望你能弄明白

【参考方案1】：

您可以构建一个分类器来进行预测！您可以创建一个数据框 X，其列对应于 Day、Month、Year、Hour、DayOfWeek，并使用简单的东西（如随机福雷斯特）进行预测。

from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier()
model.fit(X)
model.predict(DataYouWantToMakePredictionsOn)

【讨论】：

当我将它重新采样到 Hour 时，我为那个小时给出的 type 的值是多少。问题是如果我将它重新采样到分钟间隔，我会得到很多 NaN 值。如果我将其重新采样为小时间隔，我可以在 R、C、D 之间选择许多值