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resample
和 rolling
是最容易的。
但是,如果不处理重复的A
/B
s,我就不能适当地pivot
/unstack
,所以我groupby
和sum
我unstack
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_index
或pd.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