（資料科學學習手札99）掌握pandas中的時序資料分組運算

費弗裡發表於2020-12-08
資料科學

本文示例程式碼及檔案已上傳至我的Github倉庫https://github.com/CNFeffery/DataScienceStudyNotes

1 簡介

　　我們在使用pandas分析處理時間序列資料時，經常需要對原始時間粒度下的資料，按照不同的時間粒度進行分組聚合運算，譬如基於每個交易日的股票收盤價，計算每個月的最低和最高收盤價。

　　而在pandas中，針對不同的應用場景，我們可以使用resample()、groupby()以及Grouper()來非常高效快捷地完成此類任務。

（資料科學學習手札99）掌握pandas中的時序資料分組運算
圖1

2 在pandas中進行時間分組聚合

　　在pandas中根據具體任務場景的不同，對時間序列進行分組聚合可通過以下兩類方式實現：

2.1 利用resample()對時序資料進行分組聚合

　　resample原始的意思是重取樣，可分為上取樣與下采樣，而我們通常情況下使用的都是下采樣，也就是從高頻的資料中按照一定規則計算出更低頻的資料，就像我們一開始說的對每日資料按月彙總那樣。

　　如果你熟悉pandas中的groupby()分組運算，那麼你就可以很快地理解resample()的使用方式，它本質上就是在對時間序列資料進行“分組”，最基礎的引數為rule，用於設定按照何種方式進行重取樣，就像下面的例子那樣：

import pandas as pd

# 記錄了2013-02-08到2018-02-07之間每個交易日蘋果公司的股價
AAPL = pd.read_csv('AAPL.csv', parse_dates=['date'])

# 以月為統計視窗計算每月股票最高收盤價
(
    AAPL
    .set_index('date') # 設定date為index
    .resample('M') # 以月為單位
    .agg({
        'close': ['max', 'min']
    })
)
（資料科學學習手札99）掌握pandas中的時序資料分組運算
圖2

　　可以看到，在上面的例子中，我們對index為日期時間型別的DataFrame應用resample()方法，傳入的引數'M'是resample第一個位置上的引數rule，用於確定時間視窗的規則，譬如這裡的字串'M'就代表月且聚合結果中顯示對應月的最後一天，常用的固化的時間視窗規則如下表所示：

規則 說明
W 星期
M 月，顯示為當月最後一天
MS 月，顯示為當月第一天
Q 季度，顯示為當季最後一天
QS 季度，顯示為當季第一天
A 年，顯示為當年最後一天
AS 年，顯示為當年第一天
D 日
H 小時T
T或min 分鐘
S 秒
L或 ms 毫秒

　　且這些規則都可以在前面新增數字實現倍數效果：

# 以6個月為統計視窗計算每月股票平均收盤價且顯示為當月第一天
(
    AAPL
    .set_index('date') # 設定date為index
    .resample('6MS') # 以6個月為單位
    .agg({
        'close': 'mean'
    })
)
（資料科學學習手札99）掌握pandas中的時序資料分組運算
圖3

　　且resample()非常貼心之處在於它會自動幫你對齊到規整的時間單位上，譬如我們這裡只有交易日才會有記錄，如果我們設定的時間單位下無對應記錄，也會為你保留帶有缺失值記錄的時間點：

(
    AAPL
    .set_index('date') # 設定date為index
    .resample('1D') # 以1日為單位
    .agg({
        'close': 'mean'
    })
)
（資料科學學習手札99）掌握pandas中的時序資料分組運算
圖4

　　而通過引數closed我們可以為細粒度的時間單位設定區間閉合方式，譬如我們以2日為單位，將closed設定為'right'時，從第一行記錄開始計算所落入的時間視窗時，其對應為時間視窗的右邊界，從而影響後續所有時間單元的劃分方式：

(
    AAPL
    .set_index('date') # 設定date為index
    .resample('2D', closed='right')
    .agg({
        'close': 'mean'
    })
)
（資料科學學習手札99）掌握pandas中的時序資料分組運算
圖5

　　而即使你的資料框index不是日期時間型別，也可以使用引數on來傳入日期時間列名實現同樣的效果。

2.2 利用groupby()+Grouper()實現混合分組

　　有些情況下，我們不僅僅需要利用時間型別列來分組，也可能需要包含時間型別在內的多個列共同進行分組，這種情況下我們就可以使用到Grouper()。

　　它通過引數freq傳入等價於resample()中rule的引數，並利用引數key指定對應的時間型別列名稱，但是可以幫助我們建立分組規則後傳入groupby()中：

# 分別對蘋果與微軟每月平均收盤價進行統計
(
    pd
    .read_csv('AAPL&MSFT.csv', parse_dates=['date'])
    .groupby(['Name', pd.Grouper(freq='MS', key='date')])
    .agg({
        'close': 'mean'
    })
)
（資料科學學習手札99）掌握pandas中的時序資料分組運算
圖6

　　且在此種混合分組模式下，我們可以非常方便的配合apply、transform等操作，這裡就不再贅述。

　　以上就是本文的全部內容，歡迎在評論區與我進行討論~

相關文章