两个日期时间文件之间的熊猫系列
Posted
技术标签:
【中文标题】两个日期时间文件之间的熊猫系列【英文标题】：Pandas series between two date time files 【发布时间】：2017-09-30 16:44:52 【问题描述】：我的问题是关于使用 Pandas 时间序列。
我有一个文件（Spots），其中包含一个月数据的熊猫时间序列，范围为 7.5 秒。 示例：
2016-11-01 00:00:00,0
2016-11-01 00:00:07.500000,1
2016-11-01 00:00:15,2
2016-11-01 00:00:22.500000,3
2016-11-01 00:00:30,4
另一个文件（目标）只有时间信息。
例子：
2016-11-01 00:00:05
2016-11-01 00:00:07
2016-11-01 00:00:23
2016-11-01 00:00:25
我想查看目标日期时间属于哪个时间点： 上面例子中的输出：
2016-11-01 00:00:00,0 '\t' count of targets in this spot = 2
2016-11-01 00:00:07.500000,1 '\t' count of targets in this spot = 0
2016-11-01 00:00:15,2 '\t' count of targets in this spot = 0
2016-11-01 00:00:22.500000,3 '\t' count of targets in this spot = 0
2016-11-01 00:00:30,4 '\t' count of targets in this spot = 2
提前非常感谢您。如果这很清楚，请告诉我，否则我可以尝试解释更多。
【问题讨论】：
第一行如何在那个位置有 2 个目标？看起来应该是 0。除非您将目标四舍五入到最近的点？更清楚地了解结果背后的逻辑会有所帮助。 【参考方案1】：这是我的建议。首先，将另一列添加到目标框架。这样可以在未来合并后识别目标：
target['T'] = 1
连接目标和点并按时间排序：
both = pd.concat([spots,target]).sort_values(0)
# 0 1 T
#0 2016-11-01 00:00:00.000 0.0 NaN
#0 2016-11-01 00:00:05.000 NaN 1.0
#1 2016-11-01 00:00:07.000 NaN 1.0
#1 2016-11-01 00:00:07.500 1.0 NaN
#2 2016-11-01 00:00:15.000 2.0 NaN
#3 2016-11-01 00:00:22.500 3.0 NaN
#2 2016-11-01 00:00:23.000 NaN 1.0
#3 2016-11-01 00:00:25.000 NaN 1.0
#4 2016-11-01 00:00:30.000 4.0 NaN
向前填充点 ID：
both[1] = both[1].fillna(method='ffill').astype(int)
# 0 1 T
#0 2016-11-01 00:00:00.000 0 NaN
#0 2016-11-01 00:00:05.000 0 1.0
#1 2016-11-01 00:00:07.000 0 1.0
#1 2016-11-01 00:00:07.500 1 NaN
#2 2016-11-01 00:00:15.000 2 NaN
#3 2016-11-01 00:00:22.500 3 NaN
#2 2016-11-01 00:00:23.000 3 1.0
#3 2016-11-01 00:00:25.000 3 1.0
#4 2016-11-01 00:00:30.000 4 NaN
选择原始目标行和列：
both[both['T']==1][[0,1]]
# 0 1
#0 2016-11-01 00:00:05 0
#1 2016-11-01 00:00:07 0
#2 2016-11-01 00:00:23 3
#3 2016-11-01 00:00:25 3
如果你想统计点中的目标，请使用groupby()：
both.groupby(1).count()['T']
#1
#0 2
#1 0
#2 0
#3 2
#4 0
【讨论】：
【参考方案2】：让我们使用merge_ordered、fillna和groupby：
输入：
df_spots
Date Value
0 2016-11-01 00:00:00.000 0
1 2016-11-01 00:00:07.500 1
2 2016-11-01 00:00:15.000 2
3 2016-11-01 00:00:22.500 3
4 2016-11-01 00:00:30.000 4
df_target
Date
0 2016-11-01 00:00:05
1 2016-11-01 00:00:07
2 2016-11-01 00:00:23
3 2016-11-01 00:00:25
代码：
merged_df = pd.merge_ordered(df_spots, df_target, on = 'Date')
df_out = (merged_df.groupby(by=merged_df['Value']
.fillna(method='ffill'), as_index=False)
.agg('Date':'first',
'Value':'first':'first','count':lambda x:len(x)-1))
输出：
df_out
Date Value
first first count
0 2016-11-01 00:00:00.000 0.0 2.0
1 2016-11-01 00:00:07.500 1.0 0.0
2 2016-11-01 00:00:15.000 2.0 0.0
3 2016-11-01 00:00:22.500 3.0 2.0
4 2016-11-01 00:00:30.000 4.0 0.0
【讨论】：
哇！非常感谢大家！我不知道有这么多漂亮和优雅的方式来使用 Panda。今晚我将尝试所有这些，让你们都知道它是怎么回事。非常感谢！ 嗨@Scott Boston，我尝试了你的方法，但我没有得到计数，而是它只是匹配我认为是行号的第一列？首先，我不得不将 merge_ordered 更改为 order_merged，但即便如此，我也得到了相同的结果。我注意到在 merge_df 中，第二个数据框中没有“值”，所以“值”上的追随者仍然有效吗？你能帮我理解我可能做错了什么吗？此外，当我打印我的 df_out 时，我首先得到第一个计数，而不是第一个计数。 你有什么版本的熊猫？我用的是最新的 0.19.2，我想你可能用的是早期版本。 是的，我考虑过这一点并升级了 pandas 并运行它，它运行良好。谢谢大家的帮助【参考方案3】：结合使用np.searchsorted 和pd.value_counts 以及其他一些内容。
idx = Spots.index.to_series()
i = idx.values
t = Target.Date.values
m = pd.value_counts(i[i.searchsorted(t) - 1]).to_dict()
Spots.assign(TargetCount=idx.map(lambda x: m.get(x, 0)))
Value TargetCount
Date
2016-11-01 00:00:00.000 0 2
2016-11-01 00:00:07.500 1 0
2016-11-01 00:00:15.000 2 0
2016-11-01 00:00:22.500 3 2
2016-11-01 00:00:30.000 4 0
工作原理
idx 是Spots 的索引变成了pd.Series，因为我想稍后使用pd.Series.map。
i 是底层 numpy 数组，我将使用它执行 searchsorted 操作
t 与 i 相同...searchsorted 的一部分
searchsorted 将遍历右数组中的每个元素，并找到该元素相对于右数组的插入位置。此信息可用于查找元素所属的“bin”。然后我减去一个以与适当的索引对齐
然后我执行pd.value_counts 来计算它们
使用map 构建一个新列。
设置
from io import StringIO
import pandas as pd
tx1 = """2016-11-01 00:00:00,0
2016-11-01 00:00:07.500000,1
2016-11-01 00:00:15,2
2016-11-01 00:00:22.500000,3
2016-11-01 00:00:30,4"""
tx2 = """2016-11-01 00:00:05
2016-11-01 00:00:07
2016-11-01 00:00:23
2016-11-01 00:00:25"""
Spots = pd.read_csv(StringIO(tx1), parse_dates=[0], index_col=0, names=['Date', 'Value'])
Target = pd.read_csv(StringIO(tx2), parse_dates=[0], names=['Date'])
【讨论】：
【参考方案4】：使用熊猫merge_asof （注意，所有时间值都必须排序 - 可能必须先排序）：
设置~~~~~~~~
import pandas as pd
# make date_range with 1 sec interval (fake targets)
rng = pd.date_range('2016-11-01', periods=100, freq='S')
# resample to make 7.5 sec intervals (fake spot bins)
ts = pd.Series(np.arange(100), index=rng)
ts_vals = ts.resample('7500L').asfreq().index
df_spots = pd.DataFrame('spot': np.arange(len(ts_vals)), 'bin': ts_vals)
df_spots.head()
bin spot
0 2016-11-01 00:00:00.000 0
1 2016-11-01 00:00:07.500 1
2 2016-11-01 00:00:15.000 2
3 2016-11-01 00:00:22.500 3
4 2016-11-01 00:00:30.000 4
df_targets = pd.DataFrame(rng, columns=['tgt'])
df_targets.head()
tgt
0 2016-11-01 00:00:00
1 2016-11-01 00:00:01
2 2016-11-01 00:00:02
3 2016-11-01 00:00:03
4 2016-11-01 00:00:04
解决办法~~~~~~~
# this will produce spot membership for targets
df = pd.merge_asof(df_targets, df_spots, left_on='tgt', right_on='bin')
df.head()
tgt bin spot
0 2016-11-01 00:00:00 2016-11-01 00:00:00.000 0
1 2016-11-01 00:00:01 2016-11-01 00:00:00.000 0
2 2016-11-01 00:00:02 2016-11-01 00:00:00.000 0
3 2016-11-01 00:00:03 2016-11-01 00:00:00.000 0
4 2016-11-01 00:00:04 2016-11-01 00:00:00.000 0
5 2016-11-01 00:00:05 2016-11-01 00:00:00.000 0
6 2016-11-01 00:00:06 2016-11-01 00:00:00.000 0
7 2016-11-01 00:00:07 2016-11-01 00:00:00.000 0
8 2016-11-01 00:00:08 2016-11-01 00:00:07.500 1
9 2016-11-01 00:00:09 2016-11-01 00:00:07.500 1
# for spot counts...
df_counts = pd.DataFrame(df.groupby('bin')['spot'].count())
df_counts.head()
spot
bin
2016-11-01 00:00:00.000 8
2016-11-01 00:00:07.500 7
2016-11-01 00:00:15.000 8
2016-11-01 00:00:22.500 7
2016-11-01 00:00:30.000 8
【讨论】：
以上是关于两个日期时间文件之间的熊猫系列的主要内容，如果未能解决你的问题，请参考以下文章