分组日期滚动中最新非空值的 Pandas 日期索引
Posted
技术标签:
【中文标题】分组日期滚动中最新非空值的 Pandas 日期索引【英文标题】:Pandas date index of latest non null value in grouped date rolling 【发布时间】:2021-03-10 14:13:35 【问题描述】:我正在尝试按组获取滚动时间窗口中值不为空的最新日期。它在没有组的情况下工作得很好,但似乎分组会打乱一切。
这是可重现的示例:
import pandas as pd
from datetime import datetime as dt
import numpy as np
df = pd.DataFrame()
df["date"] = [dt(2020, 10, i+1) for i in range(10)]
df["group"] = ["a" if int(i/3) == (i/3) else "b" for i in range(10)]
df["value"] = [i if int(i/2) == (i/2) else np.nan for i in range(10)]
数据框
date group value
0 2020-10-01 a 0.0
1 2020-10-02 b NaN
2 2020-10-03 b 2.0
3 2020-10-04 a NaN
4 2020-10-05 b 4.0
5 2020-10-06 b NaN
6 2020-10-07 a 6.0
7 2020-10-08 b NaN
8 2020-10-09 b 8.0
9 2020-10-10 a NaN
目标输出:
date group value output
0 2020-10-01 a 0.0 2020-10-01
1 2020-10-02 b NaN NaT
2 2020-10-03 b 2.0 2020-10-03
3 2020-10-04 a NaN 2020-10-01
4 2020-10-05 b 4.0 2020-10-05
5 2020-10-06 b NaN 2020-10-05
6 2020-10-07 a 6.0 2020-10-07
7 2020-10-08 b NaN 2020-10-05
8 2020-10-09 b 8.0 2020-10-09
9 2020-10-10 a NaN 2020-10-07
我的尝试:
df = df.set_index("date").sort_index(ascending = True)
def latest_non_null_value_index(x):
y = x[np.isnan(x) == False]
print(y.index)
if len(y) > 0:
return y.index[-1]
else:
return np.nan
latest_index = df\
.groupby(["group"])\
.rolling("35D")\
["value"]\
.apply(lambda x: latest_non_null_value_index(x).timestamp())\
.reset_index()
def to_datetime_from_timestamp(x):
if pd.isnull(x) == False:
return dt.fromtimestamp(x)
else:
return pd.NaT
latest_index["value"] = latest_index["value"]\
.apply(to_datetime_from_timestamp)
我得到了什么:
group date value
0 a 2020-10-01 2020-10-01 02:00:00
1 a 2020-10-04 2020-10-01 02:00:00
2 a 2020-10-07 2020-10-03 02:00:00
3 a 2020-10-10 2020-10-03 02:00:00
4 b 2020-10-02 NaT
5 b 2020-10-03 2020-10-06 02:00:00
6 b 2020-10-05 2020-10-07 02:00:00
7 b 2020-10-06 2020-10-07 02:00:00
8 b 2020-10-08 2020-10-07 02:00:00
9 b 2020-10-09 2020-10-10 02:00:00
知道我在这里错过了什么吗?
编辑:我在获取最新值时似乎没有这个问题......它确实与索引有关。
EDIT2:如果我能以某种方式将函数应用于 2 列,我可以将日期作为第二列并获得解决方法
【问题讨论】:
【参考方案1】:您可以使用 pd.fillna
和 "ffill" 来转发填充缺失的值
import pandas as pd
from datetime import datetime as dt
import numpy as np
df = pd.DataFrame()
df["date"] = [dt(2020, 10, i+1) for i in range(10)]
df["group"] = ["a" if int(i/3) == (i/3) else "b" for i in range(10)]
df["value"] = [i if int(i/2) == (i/2) else np.nan for i in range(10)]
df = df.sort_values("date") # Just make sure that row are properly ordered
date = df["date"].copy()
date[df.value.isna()] = pd.NaT
latest_index = date.groupby(df.group).fillna(method="ffill")
这不会考虑您的滚动时间范围,但您可以像这样删除时间窗口之外的值:
latest_index[(df.date - latest_index).dt.days > 35] = pd.NaT
但这不是超级整洁,因此您可以尝试对滚动窗口使用最大聚合,如下所示:
df = df.set_index("date", drop=False)
df = df.sort_index()
date = pd.to_numeric(df["date"].copy()) # it wasn't letting me aggregate dates so we have to convert to float then back to dates
date[df.value.isna()] = None
latest_index = date.groupby(df.group).rolling("35D").max()
latest_index = pd.to_datetime(latest_index)
【讨论】:
这适用于无限时间窗口,但不适用于滚动窗口。让我试着想出一个更好的例子来说明。还是很有用的。 对不起,我忽略了滚动部分。因此,在您的示例中,您似乎不想回溯超过 35 天的日期,而这一天没有缺失值。那是对的吗?如果是这样,您可以检查填充值与当前日期之间的差异是否超过 35 天。 ```latest_index[(df["date"] - latest_index).dt.days > 35] = pd.NaT" 是的,这种方式运行良好 :) 我仍然很想知道这些索引发生了什么...... pandas 的默认设置是按列将分组移动到索引中。通常你可以设置as_index=False
,如果你确实希望发生这种情况,但我认为这不会起作用,因为你也在使用rolling
。解决此问题的最简单方法是运行 latest_index.reset_index()
。以上是关于分组日期滚动中最新非空值的 Pandas 日期索引的主要内容,如果未能解决你的问题,请参考以下文章