[英]Pandas groupby rolling mean with custom window size
對於Pandas DataFrame,我試圖通過滾動均值進行分組,並在相對於日期時間索引的每一行上指定可更改的窗口大小。
對於以下每周數據df
:
| week_start_date | material | location | quantity | window_size |
|-----------------|----------|----------|----------|-------------|
| 2019-01-28 | C | A | 870 | 1 |
| 2019-02-04 | C | A | 920 | 3 |
| 2019-02-18 | C | A | 120 | 1 |
| 2019-02-25 | C | A | 120 | 2 |
| 2019-03-04 | C | A | 120 | 1 |
| 2018-12-31 | D | A | 1200 | 8 |
| 2019-01-21 | D | A | 720 | 8 |
| 2019-01-28 | D | A | 480 | 8 |
| 2019-02-04 | D | A | 600 | 8 |
| 2019-02-11 | D | A | 720 | 8 |
| 2019-02-18 | D | A | 80 | 8 |
| 2019-02-25 | D | A | 600 | 8 |
| 2019-03-04 | D | A | 1200 | 8 |
| 2019-01-14 | E | B | 150 | 1 |
| 2019-01-28 | E | B | 1416 | 1 |
| 2019-02-04 | F | B | 1164 | 1 |
| 2019-01-28 | G | B | 11520 | 8 |
窗口需要相對於week_start_date
設置的實際日期,而不是像整數索引一樣對待。
需要根據material
和location
進行分組。
滾動平均值用於列quantity
。
窗口大小需要根據window_size
列中的值進行更改。 該值隨時間變化-表示需要匯總數量的時間倒退的周數。
當某行不可用時,均值應假定值為0,即:當某周日期的行不可用時, mean(null, null, null, 1000) = 1000
但實際上應為:mean(0, 0,0,1000)= 250但是-這僅應在測量到第一個觀測值之后才適用。
我可以使用以下方法獲得8周(56天)的靜態窗口:
df.set_index('week_start_date').groupby(['material', 'location'])['quantity'].rolling('56D', min_periods=1).mean()
我已經探索了使用擴展的方法,但沒有成功。
如何相對於讀取的每一行設置窗口大小?
# Example Data
df = pd.DataFrame({'week_start_date': ['2019-01-28','2019-02-04','2019-02-18','2019-02-25','2019-03-04','2018-12-31','2019-01-21','2019-01-28','2019-02-04','2019-02-11','2019-02-18','2019-02-25','2019-03-04','2019-01-14','2019-01-28','2019-02-04','2019-01-28'],
'material': ['C','C','C','C','C','D','D','D','D','D','D','D','D','E','E','F','G'],
'location': ['A','A','A','A','A','A','A','A','A','A','A','A','A','B','B','B','B'],
'quantity': ['870','920','120','120','120','1200','720','480','600','720','80','600','1200','150','1416','1164','11520'],
'min_of_pdt_or_8_weeks': ['1','3','1','2','1','8','8','8','8','8','8','8','8','1','3','1','8']})
# Fix formats
df['week_start_date'] = pd.to_datetime(df['week_start_date'])
df['actual_week_qty'] = df['quantity'].astype(float)
| material | location | week_start_date | quantity |
| C | A | 2019-01-28 | 870 |
| C | A | 2019-04-02 | 306.6667 |
| C | A | 2019-02-18 | 520 |
| C | A | 2019-02-25 | 386.6667 |
| D | A | 2018-12-31 | 1200 |
| D | A | 2019-01-21 | 960 |
| D | A | 2019-01-28 | 800 |
| D | A | 2019-04-02 | 600 |
| D | A | 2019-11-02 | 720 |
| D | A | 2019-02-18 | 400 |
| D | A | 2019-02-25 | 466.6667 |
| D | A | 2019-04-03 | 650 |
| E | B | 2019-01-14 | 150 |
| E | B | 2019-01-28 | 783 |
| F | B | 2019-04-02 | 1164 |
| G | B | 2019-01-28 | 11520 |
您可能會這樣做的一個簡單方法是進行8次計算(假設這是有界的!)並合並結果:
In [11]: d = {w: df.set_index('week_start_date')
.groupby(['material', 'location'])['quantity']
.rolling(f'{7*w}D', min_periods=1)
.mean()
.reset_index(name="mean")
.assign(window_size=w)
for w in range(1, 9)}
那么您可以將這些DataFrame合並在一起並與原始DataFrame合並,因為我們在左右兩側都有window_size列,該列位於其內部。
In [12]: pd.concat(d.values()).merge(df, how="inner")
Out[12]:
material location week_start_date mean window_size quantity
0 C A 2019-01-28 870.000000 1 870.0
1 C A 2019-02-18 520.000000 1 120.0
2 C A 2019-04-03 320.000000 1 120.0
3 E B 2019-01-14 150.000000 1 150.0
4 F B 2019-04-02 1164.000000 1 1164.0
5 C A 2019-02-25 386.666667 2 120.0
6 C A 2019-04-02 920.000000 3 920.0
7 E B 2019-01-28 783.000000 3 1416.0
8 D A 2018-12-31 1200.000000 8 1200.0
9 D A 2019-01-21 960.000000 8 720.0
10 D A 2019-01-28 800.000000 8 480.0
11 D A 2019-04-02 600.000000 8 600.0
12 D A 2019-11-02 720.000000 8 720.0
13 D A 2019-02-18 400.000000 8 80.0
14 D A 2019-02-25 466.666667 8 600.0
15 D A 2019-04-03 650.000000 8 1200.0
16 G B 2019-01-28 11520.000000 8 11520.0
注意:假設您已將window_size的fillna設置為8:
df.window_size = df.window_size.replace('NaN', 8).astype(int) # in your example
此外,您還想確保將格式傳遞給to_datetime以確保您不會產生歧義,熊貓也許可以在此方面做得很好……但是我不會依靠它(顯式使用format='%d/%m/%Y
)。 您希望在讀完日期后就擺脫奇怪的日期格式,也可以將其傳遞給read_csv(dayfirst = True)和朋友。
我並不完全相信這就是您想要的,因為您輸入的df和預期值之間存在差異(例如,預期值中沒有GB ...)。
無論如何,我懷疑只有一種拍攝方法可以做到這一點, 但這將取決於周/材質/位置的稀疏性(如果密密麻麻的話,它會容易得多;如果稀疏,這可能是最好的選擇)。 ..
現在我考慮一下,您可以完全在材質/位置subDataFrame上執行此操作,是否可以將此問題簡化為該DataFrame的函數(只是周+忽略材質/位置的值),或者應用速度太慢?
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.