在 Pandas DataFrame 中查找连续日期组

Question

我试图从 Pandas DataFrame 中获取连续日期的数据块。 我的df如下所示。

      DateAnalyzed           Val
1       2018-03-18      0.470253
2       2018-03-19      0.470253
3       2018-03-20      0.470253
4       2018-09-25      0.467729
5       2018-09-26      0.467729
6       2018-09-27      0.467729

在这个df ，我想获取前 3 行，进行一些处理，然后获取最后 3 行并对其进行处理。

我通过应用以下代码计算了 1 个滞后的差异。

df['Delta']=(df['DateAnalyzed'] - df['DateAnalyzed'].shift(1))

但在那之后我无法弄清楚如何在不迭代的情况下获取连续行的组。

Answer 1

似乎您需要两个布尔掩码：一个用于确定组之间的间隔，另一个用于确定哪些日期在第一组中。

还有一个棘手的部分可以通过示例来充实。 请注意，下面的df包含一个添加的行，该行之前或之后没有任何连续的日期。

>>> df
  DateAnalyzed       Val
1   2018-03-18  0.470253
2   2018-03-19  0.470253
3   2018-03-20  0.470253
4   2017-01-20  0.485949  # < watch out for this
5   2018-09-25  0.467729
6   2018-09-26  0.467729
7   2018-09-27  0.467729

>>> df.dtypes
DateAnalyzed    datetime64[ns]
Val                    float64
dtype: object

下面的答案假设您想完全忽略2017-01-20 ，而不对其进行处理。 （如果您确实想处理此日期，请参阅解决方案的结尾。）

第一的：

>>> dt = df['DateAnalyzed']
>>> day = pd.Timedelta('1d')
>>> in_block = ((dt - dt.shift(-1)).abs() == day) | (dt.diff() == day)
>>> in_block
1     True
2     True
3     True
4    False
5     True
6     True
7     True
Name: DateAnalyzed, dtype: bool

现在， in_block会告诉您哪些日期在“连续”块中，但不会告诉您每个日期属于哪个组。

下一步是派生分组本身：

>>> filt = df.loc[in_block]
>>> breaks = filt['DateAnalyzed'].diff() != day
>>> groups = breaks.cumsum()
>>> groups
1    1
2    1
3    1
5    2
6    2
7    2
Name: DateAnalyzed, dtype: int64

然后您可以使用您选择的操作调用df.groupby(groups) 。

>>> for _, frame in filt.groupby(groups):
...     print(frame, end='\n\n')
... 
  DateAnalyzed       Val
1   2018-03-18  0.470253
2   2018-03-19  0.470253
3   2018-03-20  0.470253

  DateAnalyzed       Val
5   2018-09-25  0.467729
6   2018-09-26  0.467729
7   2018-09-27  0.467729

要将其合并回df ，分配给它，隔离日期将为NaN ：

>>> df['groups'] = groups
>>> df
  DateAnalyzed       Val  groups
1   2018-03-18  0.470253     1.0
2   2018-03-19  0.470253     1.0
3   2018-03-20  0.470253     1.0
4   2017-01-20  0.485949     NaN
5   2018-09-25  0.467729     2.0
6   2018-09-26  0.467729     2.0
7   2018-09-27  0.467729     2.0

---

如果您确实想包括“单独”日期，事情会变得更加简单：

dt = df['DateAnalyzed']
day = pd.Timedelta('1d')
breaks = dt.diff() != day
groups = breaks.cumsum()

Answer 2

在这里和这里之后有类似的问题，有更具体的输出要求。 由于这个更一般，我也想在这里做出贡献。

我们可以使用一行代码轻松地为连续的组分配一个唯一标识符：

df['grp_date'] = df.DateAnalyzed.diff().dt.days.ne(1).cumsum()

在这里，每次我们看到差异大于一天的日期时，我们都会为该日期添加一个值，否则它会保留之前的值，以便我们最终获得每个组的唯一标识符。

查看输出：

  DateAnalyzed       Val  grp_date
1   2018-03-18  0.470253         1
2   2018-03-19  0.470253         1
3   2018-03-20  0.470253         1
4   2018-09-25  0.467729         2
5   2018-09-26  0.467729         2
6   2018-09-27  0.467729         2

现在，很容易groupby “grp_date”，做任何你想用做apply或agg 。

---

例子：

# Sum across consecutive days (or any other method from pandas groupby)
df.groupby('grp_date').sum()

# Get the first value and last value per consecutive days
df.groupby('grp_date').apply(lambda x: x.iloc[[0, -1]])
# or df.groupby('grp_date').head(n) for first n days

# Perform custom operation across target-columns
df.groupby('grp_date').apply(lambda x: (x['col1'] + x['col2']) / x['Val'].mean())

# Multiple operations for a target-column
df.groupby('grp_date').Val.agg(['min', 'max', 'mean', 'std'])

# and so on...