将数据帧重新采样为具有任意期末月份的 n 个月期间

Posted 2023-03-11

【中文标题】将数据帧重新采样为具有任意期末月份的 n 个月期间

【英文标题】：Resample a data frame into n-month periods with arbitrary end-of-period months

【发布时间】：2021-09-30 23:09:51

【问题描述】：

我想将resample() 我的每日数据分成六个月的数据块。但是，我希望六个月大块的结束是四月和十月的结束。如果我使用df.resample('6M').sum()（或df.groupby(pd.Grouper(freq='6M').sum()），则前六个月块的结束是数据中第一个月的结束。我知道anchored offsets，但我不知道如何创建自定义锚定偏移（例如，'6M-APR' 不起作用）。

下面是一些示例代码：

import pandas as pd
import numpy as np
np.random.seed(42)
df = pd.DataFrame(
    data='logret': np.random.randn(1000),
    index=pd.date_range(start='2001-05-25', periods=1000, freq='B')
)
df.resample('6M').sum()

产生以下输出：

    logret
2001-05-31  2.2950148716254297
2001-11-30  -12.536360930670858
2002-05-31  5.468848462868161
2002-11-30  13.027927629740189
2003-05-31  -10.37282118563155
2003-11-30  -0.156275418330286
2004-05-31  -3.0768727498370905
2004-11-30  28.328856464071546
2005-05-31  -3.6462613215100546

.resample() 的 start、offset 和 loffset 参数尚未实现我的目标（为期 6 个月的重采样，截至 4 月和 10 月）。

我已经通过下面的 hack 实现了我的目标。但是，它丢失了日期索引，我想要一种更健壮/可重复的方法。

def sixmonth(d, b=4):
    y, m, h = d.year, d.month, 1
    if (m > (b + 6)): y += 1
    elif (m > b): h += 1

    return y + h/10

df.groupby(sixmonth).sum()

产生以下不带日期的输出：

    logret
2001.2  -10.300839024148
2002.1  9.321994034984547
2002.2  8.855517878860585
2003.1  -2.4576797445001493
2003.2  -7.002919570231796
2004.1  -9.36895555474087
2004.2  27.13038641177464
2005.1  3.154551390326532

当然，我可以改进这个技巧。但是对于在任意月份结束的 n 周期重采样，是否有更好/稳健/可重复的解决方案？

【参考方案1】：

另一种解决方法，保留日期时间索引：

def custom_6M(df, month=4):
    df = df.resample("M").sum()
    df = df.rolling(6).sum()
    return df[df.index.month.isin([month,month+6])]

>>> custom_6M(df)
               logret
2001-10-31 -10.300839
2002-04-30   9.321994
2002-10-31   8.855518
2003-04-30  -2.457680
2003-10-31  -7.002920
2004-04-30  -9.368956
2004-10-31  27.130386

【参考方案2】：

这很痛苦。当我需要类似的东西时，我最终采用了以下方法：

anchor_month = 4
non_months = (anchor_month + 3) % 12, (anchor_month + 9) % 12
df = df.resample('Q-APR').sum()
df = (df.reset_index()
        .groupby(df.index.month.isin(non_months).cumsum())
        .agg('index': 'last', 'logret': 'sum')
        .set_index('index'))

这里的结果：

               logret
index                
2001-10-31 -10.300839
2002-04-30   9.321994
2002-10-31   8.855518
2003-04-30  -2.457680
2003-10-31  -7.002920
2004-04-30  -9.368956
2004-10-31  27.130386
2005-04-30   3.154551

但问题是，有时最后一个索引不适合（这里可以）。这可以通过另一个'6M'-resample 来解决。总体：不漂亮。

【参考方案3】：

感谢您的回答。 我还有两个选择。

将时间戳系列附加到 df 以锚定六个月的重采样周期

我希望.resample() 的origin 参数可以让我手动定位六个月的重采样周期。没有，但是下面的代码可以。

df.append(pd.Series(name=pd.to_datetime('2001-04-30'), dtype='float')).resample('6M').sum()

改进我的 sixmonth() 函数以使用时间戳

def sixmonth(d, m=6, n=4):
    o = (m - (d.month - n)) % m
    return d + pd.offsets.MonthEnd(o)

我首先.resample('M') 以确保我有月末日期。 我可以修改sixmonth() 来检查月末日期，但我更害怕找到一些新的边缘案例而不是效率低下。

df.resample('M').sum().groupby(sixmonth).sum()