如何对具有多列的df重新采样

Posted 2023-02-18

【中文标题】如何对具有多列的df重新采样

【英文标题】：How to resample a df with multiple columns

【发布时间】：2022-01-05 07:33:24

【问题描述】：

我有多个请求的分钟数据。我想将其重新采样为每小时并按请求分组，以便我可以获得每小时的请求总数

这就是数据的样子

    | RequestDate | Request | Count |
    | 2021-11-24 22:09:00 | Request 1 | 10 |
    | 2021-11-24 22:09:00 | Request 3 | 1 |
    | 2021-11-24 22:09:00 | Request 2 | 4 |
    | 2021-11-24 22:09:00 | Request 4 | 5 |
    | 2021-11-24 22:10:00 | Request 1 | 4 |
    | 2021-11-24 22:10:00 | Request 2 | 0 |
    | 2021-11-24 22:10:00 | Request 3 | 6 |
    | 2021-11-24 22:10:00 | Request 4 | 5 |
    | 2021-11-24 22:10:00 | Request 5 | 1 |

输出：

    | RequestDate | Request | Count |
    | 2021-11-24 22:00:00 | Request 1 | 14 |
    | 2021-11-24 22:00:00 | Request 2 | 4 |
    | 2021-11-24 22:00:00 | Request 3 | 7 |
    | 2021-11-24 22:00:00 | Request 4 | 10 |
    | 2021-11-24 22:00:00 | Request 5 | 1 |

我试过了，但以错误结束：

    df_groupby = df.groupby(by=[df["RequestDate"].resample('h'), "Request"])
    
    df_groupby["Request"]
    
    KeyError: 'RequestDate'

带有测试数据的df可以如下创建

df = pd.read_csv("test_data.csv")

test_data.csv

RequestDate,Request,RequestCount
2021-11-18 00:00:00,Request1,4
2022-11-18 00:00:00,Request2,4
2022-11-18 00:00:00,Request3,4
2022-11-18 00:00:00,/Request4,4
2022-11-18 00:00:00,Request5,4
2021-11-18 00:01:00,Request1,4
2021-11-18 00:02:00,Request1,2
2021-11-18 00:03:00,Request2,3
2022-11-18 00:04:00,Request3,4
2021-11-18 00:05:00,Request1,4

【问题讨论】：

请提供一个代码示例来创建数据框。这真的很容易，这可以分3步完成。记得用帖子里的代码格式写代码示例：符号。

@RobertoT - 我添加了用于创建测试 df 的代码示例

【参考方案1】：

我认为您的 groupby 行缺少一些关键括号\括号。

resample() 方法应用于groupby 对象，因此它应该在groupby() 完全关闭之后使用。也就是说，通常它是df.groupby(...).resample(...)，但你在 groupby 中有重采样。

对于重采样，您还需要将 RequestDate 列作为您的索引（它可能在您的示例中，但如果不是，您需要使用 df = df.set_index('RequestDate')）。然后在 Request 列上进行 groupby。

RequestDate 还需要保存为日期时间（如果尚未保存）

总而言之，我认为你可以像这样得到你想要的：

df['RequestDate'] = pd.to_datetime(df['RequestDate']) # makes the column a datetime column, needed for resample
df = df.set_index('RequestDate')
df_grp = df.groupby('Request').resample('h').sum()
print(df_grp)

这给出了以下内容。您会注意到列的顺序不是您最初想要的：看起来Request 和RequestDate 被设置为多索引。我敢肯定，如果需要，您可以重新安排它们，或者继续这样做。

Request RequestDate Count
 Request 1  2021-11-24 22:00:00 14
 Request 2  2021-11-24 22:00:00 4
 Request 3  2021-11-24 22:00:00 7
 Request 4  2021-11-24 22:00:00 10
 Request 5  2021-11-24 22:00:00 1

【讨论】：

谢谢@scotscotmcc。当我使用它时，我意识到实际数据在 2022 年的日期很少，并且对于直到 2022 年该范围内不存在的所有日期，它都显示为 0。