计算每个集群的时间序列数据的季节性和趋势

Question

我有这个时间序列数据，现在我想使用“modal_price”计算每个 APMC 和商品集群的趋势季节性类型（乘法或加法）。数据集有大约 60,000 行这样的行，其中 APMC 和 Cluster 相同，但日期在变化。数据集如下：

             APMC |   Commodity  | qtl _weight| min_price | max_price | modal_price | district_name | Year | Month
date
2014-12-01  Akole   bajri            40              1375        1750      1563          Ahmadnagar  2014   12
2014-12-01  Akole   paddy-unhusked   346             1400        1800      1625          Ahmadnagar  2014   12
2014-12-01  Akole   wheat            55              1500        1900       1675         Ahmadnagar  2014   12
2014-12-01  Akole   bhagar/vari      59              2000        2600       2400         Ahmadnagar  2014   12
2014-12-01  Akole   gram              9              3200        3300       3235         Ahmadnagar  2014   12
2014-12-01  Jamkhed cotton           44199           3950        4033       3991         Ahmadnagar  2014   12
2014-12-01  Jamkhed bajri            846             1300        1488       1394         Ahmadnagar  2014   12
2014-12-01  Jamkhed wheat(husked)    155             1879        2231       2055         Ahmadnagar  2014   12
2014-12-01  Kopar   gram             421             1983        2698       2463         Ahmadnagar  2014   12
2014-12-01  Kopar   greengram         18             6734        7259       6759         Ahmadnagar  2014   12
2014-12-01  Kopar   soybean          1507            2945        3247       3199         Ahmadnagar  2014   12
2016-11-01  Sanga   wheat(husked)    222             1730        2173       1994         Ahmadnagar  2016   11

现在我尝试使用（APMC，商品和日期作为索引）为此使用数据透视表，但这无助于计算每个集群（APMC，商品）的平均值（计算趋势）。我只需要知道如何使用“modal_price”计算每个集群（APMC、Commodity）的平均值并将其添加为数据框/数据透视表中的 COLUMN。

Answer 1

也许 groupby 会为您提供趋势所需的内容，然后 transform 将使您能够将其投影回相同的索引？ 比如：

# group by your cluster
g = df.groupby(["Year", "APMC", "Commodity"])
# determine the trend per cluster but finalise back into original diimensions
trend = g.modal_price.transform(lambda x: x.mean())
df["trend"] = trend