如何合並數據框和日期范圍系列？

Question

我有一個包含用戶交易的數據框：

date       amount
2019-11-25 100
2019-11-25 40
2019-11-23 44
2019-10-30 1000

日期列有空白。 這使得時間序列 plottng 有點奇怪。 為了填補空白，我創建了系列：

allthosedays = pd.DataFrame({
    'date': pd.date_range(
        start = pd.Timestamp(df.date.min()),                        
        end = pd.Timestamp(df.date.max()),
        freq = 'D'
    )
})

然后我被卡住了。

如何合並我的數據框和系列。 並用零填充不存在的金額值？

或者，也許我做錯了所有事情並在沒有創建系列的情況下解決了問題？

Answer 1

這使得時間序列 plottng 有點奇怪。

我認為一個原因是重復的DatetimeIndex值2019-11-25 ，所以它應該是問題。

一種可能的解決方案是將每個日期時間的sum用於具有聚合的唯一值，例如sum然后添加另一個值（如有必要）可以使用DataFrame.asfreq ：

df1 = df.set_index('date').sum(level=0).sort_index()
print (df1)
            amount
date              
2019-10-30    1000
2019-11-23      44
2019-11-25     140

---

df2 = df.set_index('date').sum(level=0).sort_index().asfreq('D', fill_value=0)
print (df2)
            amount
date              
2019-10-30    1000
2019-10-31       0
2019-11-01       0
2019-11-02       0
2019-11-03       0
2019-11-04       0
2019-11-05       0
2019-11-06       0
2019-11-07       0
2019-11-08       0
2019-11-09       0
2019-11-10       0
2019-11-11       0
2019-11-12       0
2019-11-13       0
2019-11-14       0
2019-11-15       0
2019-11-16       0
2019-11-17       0
2019-11-18       0
2019-11-19       0
2019-11-20       0
2019-11-21       0
2019-11-22       0
2019-11-23      44
2019-11-24       0
2019-11-25     140

---

使用帶有左連接的DataFrame.merge ，替換缺失值並最后轉換為索引：

df3 = allthosedays.merge(df, how='left').fillna({'amount':0}).astype({'amount':int})
print (df3)
         date  amount
0  2019-10-30    1000
1  2019-10-31       0
2  2019-11-01       0
3  2019-11-02       0
4  2019-11-03       0
5  2019-11-04       0
6  2019-11-05       0
7  2019-11-06       0
8  2019-11-07       0
9  2019-11-08       0
10 2019-11-09       0
11 2019-11-10       0
12 2019-11-11       0
13 2019-11-12       0
14 2019-11-13       0
15 2019-11-14       0
16 2019-11-15       0
17 2019-11-16       0
18 2019-11-17       0
19 2019-11-18       0
20 2019-11-19       0
21 2019-11-20       0
22 2019-11-21       0
23 2019-11-22       0
24 2019-11-23      44
25 2019-11-24       0
26 2019-11-25     100
27 2019-11-25      40