在 pandas 数据框中生成缺失的数据块

Question

所以我有一个像这样的数据框：

[5232 rows x 2 columns]
                                   0       2
0                                               
2018-02-01 00:00:00  2018-02-01 00:00:00  435.24
2018-02-01 00:30:00  2018-02-01 00:30:00  357.12
2018-02-01 01:00:00  2018-02-01 01:00:00  301.32
2018-02-01 01:30:00  2018-02-01 01:30:00  256.68
2018-02-01 02:00:00  2018-02-01 02:00:00  245.52
2018-02-01 02:30:00  2018-02-01 02:30:00  223.20
2018-02-01 03:00:00  2018-02-01 03:00:00  212.04
2018-02-01 03:30:00  2018-02-01 03:30:00  212.04
2018-02-01 04:00:00  2018-02-01 04:00:00  212.04
2018-02-01 04:30:00  2018-02-01 04:30:00  212.04
2018-02-01 05:00:00  2018-02-01 05:00:00  223.20
2018-02-01 05:30:00  2018-02-01 05:30:00  234.36

而我目前能做的是替换一部分值（比如用NaN 随机替换 10%：

df_missing.loc[df_missing.sample(frac=0.1, random_state=100).index, 2] = np.NaN

我想做的是做同样的事情，但是对于大小为 x 的随机块，假设 10% 的数据应该被阻止 NaN。

例如，如果块大小为 4，并且比例为 30%，则上述数据帧可能如下所示：

[5232 rows x 2 columns]
                                   0       2
0                                               
2018-02-01 00:00:00  2018-02-01 00:00:00  435.24
2018-02-01 00:30:00  2018-02-01 00:30:00  357.12
2018-02-01 01:00:00  2018-02-01 01:00:00  NaN
2018-02-01 01:30:00  2018-02-01 01:30:00  NaN
2018-02-01 02:00:00  2018-02-01 02:00:00  NaN
2018-02-01 02:30:00  2018-02-01 02:30:00  NaN
2018-02-01 03:00:00  2018-02-01 03:00:00  212.04
2018-02-01 03:30:00  2018-02-01 03:30:00  212.04
2018-02-01 04:00:00  2018-02-01 04:00:00  212.04
2018-02-01 04:30:00  2018-02-01 04:30:00  212.04
2018-02-01 05:00:00  2018-02-01 05:00:00  223.20
2018-02-01 05:30:00  2018-02-01 05:30:00  234.36

我发现我可以通过以下方式获得块数：

number_of_samples = int((df.shape[0] * proporition) / block_size)

但我不知道如何实际创建缺失的块。

我看过this 的问题，这很有帮助，但有两个警告：

1. 它不会用 NaN 值修改原始数据帧，只是返回样本。
2. 无法保证样本不会重叠（我希望避免重叠）

有人可以解释如何将答案转换为上述几点（或解释不同的解决方案）吗？

Answer 1

这段代码使用if 语句检查块中的重叠，以一种相当不优雅的方式完成了这项工作。它还使用带有参数解包 (*) 的 chain 方法将列表列表展平为单个列表：

import pandas as pd
import random
import numpy as np
from itertools import chain

# Example dataframe
df = pd.DataFrame({0: pd.date_range(start = pd.datetime(2018, 2, 1, 0, 0, 0), 
                                    end = pd.datetime(2018, 2, 1, 10, 0, 0), freq = '30 min'),
                   2: np.random.randn(21)})

# Set basic parameters
proportion = 0.4
block_size = 4
number_of_samples = int((df.shape[0] * proportion) / block_size)

# This will hold all indexes to be set to NaN
block_indexes = []

i = 0 

# Iterate until number of samples are found
while i < number_of_samples:
    
    # Choose a potential start and end
    potential_start = random.sample(list(df.index), 1)[0]
    potential_end = potential_start + block_size
    
    # Flatten the list of lists
    flattened_indexes = list(chain(*block_indexes))
    
    # Check to make sure potential start and potential end are not already in the indexes
    if potential_start not in flattened_indexes \
    and potential_end not in flattened_indexes:
        
        # If they are not, append the block indexes
        block_indexes.append(list(range(potential_start, potential_end)))
        
        i += 1
        
# Flatten the list of lists
block_indexes = list(chain(*block_indexes))

# Set the blocks to nan accounting for end of dataframe
df.loc[[x for x in block_indexes if x in df.index], 2] = np.nan

将结果应用于示例数据框：

我不确定您要如何处理数据帧末尾的块，但此代码会忽略出现在数据帧索引范围之外的任何索引。我确信有一种更 Pythonic 的方式来编写这段代码，任何 cmets 都将不胜感激！

Answer 2

@caseWestern 提供了一个很好的解决方案，我在此基础上建立了自己的解决方案：

def block_sample(df_length : int, number_of_samples : int, block_size : int):
    """ Generates the the initial index of a block of block_size WITHOUT replacement.

        Does this by removing x-(block_size+1):x+block_size from the possible values, 
        so that the next value must be at least a block_size away from the last value. 


        Raises
        ------
        ValueError: In cases of more samples than possible.
    """
    full_range = list(range(df_length))
    for _ in range(number_of_samples):
        x = random.sample(full_range, 1)[0]
        indx = full_range.index(x)
        yield x
        del full_range[indx-(block_size-1):indx+block_size]

try: 
    for x in block_sample(df_length, number_of_samples, block_size):
        df_missing.loc[x:x+block_size, 2] = np.NaN
except ValueError:
        pass