将滚动功能应用于多列的 groupby

Posted

技术标签:

【中文标题】将滚动功能应用于多列的 groupby【英文标题】:Apply rolling function to groupby over several columns 【发布时间】:2017-10-29 06:42:23 【问题描述】:

我想将滚动函数应用于按两列分组的数据框,其中包含重复的日期条目。具体来说,“频率”和“窗口”都作为日期时间值,而不仅仅是整数。

原则上,我尝试结合How to apply rolling functions in a group by object in pandas和pandas rolling sum of last five minutes的方法。

输入

这是一个数据样本,其中一个 id=33,尽管我们希望有多个 id。

X = ['date': '2017-02-05', 'id': 33, 'item': 'A', 'points': 20,
 'date': '2017-02-05', 'id': 33, 'item': 'B', 'points': 10,
 'date': '2017-02-06', 'id': 33, 'item': 'B', 'points': 10,
 'date': '2017-02-11', 'id': 33, 'item': 'A', 'points': 1,
 'date': '2017-02-11', 'id': 33, 'item': 'A', 'points': 1,
 'date': '2017-02-11', 'id': 33, 'item': 'A', 'points': 1,
 'date': '2017-02-13', 'id': 33, 'item': 'A', 'points': 4]

# df = pd.DataFrame(X) and reindex df to pd.to_datetime(df['date'])

df

            id item  points
date                       
2017-02-05  33    A      20
2017-02-05  33    B      10
2017-02-06  33    B      10
2017-02-11  33    A       1
2017-02-11  33    A       1
2017-02-11  33    A       1
2017-02-13  33    A       4

目标

每 2 天对每个 'id' 进行采样 (freq='2d') 并返回前三天内每个项目的总分之和 (window='3D'),包括结束日期

期望的输出

            id    A    B
date                       
2017-02-05  33    20   10
2017-02-07  33    20   30    
2017-02-09  33    0    10
2017-02-11  33    3    0
2017-02-13  33    7    0

例如在包含右端的结束日期 2017-02-13 上,我们对 2017-02-11 至 2017-02-13 的 3 天期间进行抽样。在此期间,id=33 的 A 点总和等于 1+1+1+4 = 7

尝试

由于重复日期,尝试使用以下 pd.rolling_sum 的 groupby 无效

df.groupby(['id', 'item'])['points'].apply(pd.rolling_sum, freq='4D', window=3)
ValueError: cannot reindex from a duplicate axis

另请注意,在文档中 http://pandas.pydata.org/pandas-docs/version/0.17.0/generated/pandas.rolling_apply.html'window' 是一个 int 值,表示采样周期的大小,而不是采样的天数。

我们也可以尝试重新采样并使用最后一个,但是似乎没有使用所需的 3 天回溯

df.groupby(['id', 'item'])['points'].resample('2D', label='right', closed='right').\
apply(lambda x: x.last('3D').sum())

id  item  date      
33  A     2017-02-05    20
          2017-02-07     0
          2017-02-09     0
          2017-02-11     3
          2017-02-13     4
    B     2017-02-05    10
          2017-02-07    10

当然,在唯一 id 的 ID 上设置一个循环,选择 df_id = df[df['id']==ID],然后对各个时间段求和确实有效,但计算量很大,并且不能利用 groupby 的优点矢量化。

感谢@jezrael 迄今为止的好建议

备注

熊猫版本 = 0.20.1

我有点困惑为什么关于 rolling() 的文档在这里:https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.rolling.html 建议“窗口”参数可以是 int 或偏移量,但在尝试 df.rolling(window='3D',...) 我得到raise ValueError("window must be an integer") 看来上述文档与来自 ./core/window.py 的滚动窗口的最新代码不一致: https://github.com/pandas-dev/pandas/blob/master/pandas/core/window.py

elif not is_integer(self.window):
            raise ValueError("window must be an integer")

【问题讨论】:

【参考方案1】: 当我们有单级日期时间索引时,使用日期频率处理 resamplerolling 是最容易的。 但是,如果不处理重复的A/Bs,我就不能适当地pivot/unstack,所以我groupbysumunstack 一级date 所以我可以fill_value=0。目前,当我unstack 一次超过一个级别时,我不能fill_value=0。我用转置来弥补它T 现在我在索引中有一个级别,我重新索引了索引中从最小值到最大值的日期范围 最后,我使用resample 进行滚动 3 天的总和并每 2 天重新采样一次结果 我用一些重命名索引和一个更多的枢轴来清理它。
s = df.set_index(['id', 'item'], append=True).points
s = s.groupby(level=['date', 'id', 'item']).sum()

d = s.unstack('date', fill_value=0).T
tidx = pd.date_range(d.index.min(), d.index.max())
d = d.reindex(tidx, fill_value=0)

d1 = d.rolling('3D').sum().resample('2D').first().astype(d.dtypes).stack(0)
d1 = d1.rename_axis(['date', 'id']).rename_axis(None, 1)
print(d1)

                A   B
date       id        
2017-02-05 33  20  10
2017-02-07 33  20  20
2017-02-09 33   0   0
2017-02-11 33   3   0
2017-02-13 33   7   0

【讨论】:

感谢您的解释。有关在滚动方法中访问日期时间值的任何提示(例如,给定窗口中最近的非零条目的时间)?目前,似乎只有浮点数 X 的数组可以在 d.rolling('3D').apply(lambda X: func(X)).resample('2D')等调用中访问 这听起来应该是一个单独的问题。提示是在将零掩码为np.nan 后使用pd.Series.first_valid_indexpd.Series.last_valid_index。你也可以在numpy 中做一些其他的技巧。【参考方案2】:
df = pd.DataFrame(X) 

# group sum by day
df = df.groupby(['date', 'id', 'item'])['points'].sum().reset_index().sort_values(['date', 'id', 'item'])

# convert index to datetime index
df = df.set_index('date')
df.index = DatetimeIndex(df.index)

# rolloing sum by 3D
df['pointsum'] = df.groupby(['id', 'item']).transform(lambda x: x.rolling(window='3D').sum())

# reshape dataframe
df = df.reset_index().set_index(['date', 'id', 'item'])['pointsum'].unstack().reset_index().set_index('date').fillna(0)

df

【讨论】:

这似乎没有解决“2D”采样频率问题? 可以添加到“x.rolling(window='3D')”吗?样本数据太少,我无法理解整个问题。 查看 piRsquared 的回答 :-)

以上是关于将滚动功能应用于多列的 groupby的主要内容,如果未能解决你的问题,请参考以下文章

前向填充多列可重用功能代码

将函数应用于多索引多列数据帧的 Pythonic 方法是啥?

r 将函数行方式应用于多列

如何将字符串方法应用于数据框的多列

将具有多个参数的函数应用于多列以创建新列[重复]

将udf应用于多列并使用numpy操作