Pandas 重新采样开始日期

Question

我想使用特定日期（或月份）作为第一个 bin 的边缘重新采样 pandas 对象。例如，在下面的 sn-p 中，我希望我的第一个索引值为 2020-02-29，我很乐意指定 start=2 或 start="2020-02-29"。

>>> dates = pd.date_range("2020-01-29", "2021-07-04")
>>> s = pd.Series(range(len(dates)), index=dates)
>>> s.resample('4M').count()
2020-01-31      3
2020-05-31    121
2020-09-30    122
2021-01-31    123
2021-05-31    120
2021-09-30     34
Freq: 4M, dtype: int64

到目前为止，这是我能想到的最干净的用法 pd.cut 和 groupby：

>>> rule = "4M"
>>> start = pd.Timestamp("2020-02-29") - pd.tseries.frequencies.to_offset(rule)
>>> end = s.index.max() + pd.tseries.frequencies.to_offset(rule)
>>> bins = pd.date_range(start, end, freq=rule)
>>> gb = s.groupby(pd.cut(s.index, bins)).count()
>>> gb.index = gb.index.categories.right
>>> gb
2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
dtype: int64

Answer 1

我的回答感觉有点老套，但使用了resample 并给出了所需的输出。查找指定日期前一个 bin 长度的日期（例如 4 个月，或具体的月末），将其附加到 s，然后附加到 resample：

rule = '4M'
date = '02-29-2020'

base_date = pd.to_datetime(date) - pd.tseries.frequencies.to_offset(rule)
s.loc[base_date] = np.nan
output = s.resample(rule=rule).count()
output=output[output.index >= date]

结果：

2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
Freq: 4M, dtype: int64

我添加了output=output[output.index >= date] b/c 否则你会得到一个额外的空垃圾箱：

2019-10-31      0
2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
Freq: 4M, dtype: int64

Answer 2

这不是原始答案，而是将@ALollz（评论）和@MhdMedf（答案）的改进组合成一个答案，以便清楚起见，因为它们代表了兼容的改进。另请参阅下面的时间说明。

rule = "4M"
start = pd.Timestamp("2020-02-29") - pd.tseries.frequencies.to_offset(rule)
end = s.index.max() + pd.tseries.frequencies.to_offset(rule)
bins = pd.date_range(start, end, freq=rule)
gb = pd.cut(s.index, bins, labels=bins[1:]).value_counts()

（上面的最后一行替换了OP中答案的最后两行。前四行保持不变，但为了清楚起见，将其包含在此处。）

结果：

2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4

速度/时间：考虑到只有 524 行（在我的机器上为 6 毫秒），OP 中的代码需要相当长的时间。使用 OP 数据，这两项改进结合起来可以实现大约 3 倍的加速。当然，在更大的系列/数据帧上，计时结果可能与此处看到的结果大不相同。

Answer 3

处理月份间隔的另一种方法是将日期时间索引从年份和月份转换为整数，删除定义的 start_date 和一些带有规则的模值。在 groupby 中使用它。

rule = '4M'
start = "2020-02-29"

# change types of value
d = pd.Timestamp(start)
nb = int(rule[:-1])

gr = s.groupby(d+(1+((s.index.year*12+s.index.month) #convert datetime index to int
                      -(d.year*12+d.month+1))//nb) # remove start and modulo rule
                  *pd.tseries.frequencies.to_offset(rule) # get rule freq
              ).count()
print (gr)
2020-02-29     32
2020-06-30    121
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
dtype: int64

现在与您的方法相比，假设您使用相同的规则 (4M) 定义了一个您不希望出现在规则定义的前 X 个月内的日期，例如 2020-07-31。使用这种方法，它给出：

2020-03-31     63 #you get this interval
2020-07-31    121
2020-11-30    122
2021-03-31    121
2021-07-31     95
dtype: int64 

使用你的方法，你会得到：

2020-07-31    121  #you loose info from before the 2020-03-31
2020-11-30    122
2021-03-31    121
2021-07-31     95
dtype: int64

我知道您在问题中声明您定义了第一个日期，但是使用这种方法，您可以定义任何日期，只要规则在月份中即可

Answer 4

您只需要使用pd.cut，如下所示：

>>> gb = pd.cut(s.index, bins).value_counts()
>>> gb.index = gb.index.categories.right
>>> gb
2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
dtype: int64

没有必要使用groupby