本次介紹pandas時(shí)間統(tǒng)計(jì)分析的一個(gè)高級(jí)用法--重采樣。
完整數(shù)據(jù)代碼可戳??《pandas進(jìn)階寶典》進(jìn)行了解。
重采樣指的是時(shí)間重采樣，就是將時(shí)間序列從一個(gè)頻率轉(zhuǎn)換到另一個(gè)頻率上，對(duì)應(yīng)數(shù)據(jù)也跟著頻率進(jìn)行變化。比如時(shí)間序列數(shù)據(jù)是以天為周期的，通過(guò)重采樣我們可以將其轉(zhuǎn)換為按分鐘、小時(shí)、周、月、季度等等的其他周期上。根據(jù)轉(zhuǎn)換的頻率精度可分為向上采樣和向下采樣。
- 向上采樣：轉(zhuǎn)換到更細(xì)顆粒度的頻率，比如將天轉(zhuǎn)為小時(shí)、分鐘、秒等
- 向下采樣：轉(zhuǎn)換到更粗顆粒度的頻率，比如將天轉(zhuǎn)為周、月、季度、年等
resample用法
pandas中時(shí)間重采樣的方法是resample()，可以對(duì)series和dataframe對(duì)象操作。由于重采樣默認(rèn)對(duì)索引執(zhí)行變換，因此索引必須是時(shí)間類型，或者通過(guò)on指定要重采樣的時(shí)間類型的column列。
用法：
pandas.DataFrame.resample()
pandas.Series.resample()
------
返回：Resampler對(duì)象
參數(shù)：
- rule：定義重采樣的規(guī)則，DateOffset,Timedelta或str類型，當(dāng)為str類型時(shí)，其參數(shù)及含義如下表所示
- axis：指定軸方向，str類型，默認(rèn)為0
- closed：指定時(shí)間頻率分組的左右閉合狀態(tài)，默認(rèn)
M,A,Q,BM,BA,BQ,W右閉合，其余均是左閉合 - label：指定左或右邊界作為分組標(biāo)簽，默認(rèn)
M,A,Q,BM,BA,BQ,W以右邊界為分組標(biāo)簽，其余均是以左邊界為分組標(biāo)簽 - kind：將結(jié)果索引轉(zhuǎn)化為指定的時(shí)間類型
timestamp：將結(jié)果索引轉(zhuǎn)換為DateTimeIndexperiod：將結(jié)果索引轉(zhuǎn)換為PeriodIndex
- on：對(duì)于dataframe，指定被重采樣的列，且列必須是時(shí)間類型
- level：對(duì)于多級(jí)索引，指定要被重采樣的索引層級(jí)，int或str類型。
- origin：調(diào)整時(shí)間分組的起點(diǎn)。Timestamp或str類型，當(dāng)為str時(shí)：
start_day：時(shí)間序列第一天的午夜
- offset：對(duì)origin添加的偏移量，Timedelta或str類型
- group_keys：指定是否在結(jié)果索引包含分組keys，當(dāng)采樣對(duì)象使用了
.apply()方法，默認(rèn)False不包含
舉例：
1）指定列名
resample默認(rèn)只對(duì)索引對(duì)象操作，換句話說(shuō)，默認(rèn)情況下索引必須是時(shí)間類型的數(shù)據(jù)，否則執(zhí)行會(huì)報(bào)錯(cuò)。
對(duì)于dataframe而言，如不想對(duì)索引重采樣，可以通過(guò)on參數(shù)選擇一個(gè)column列代替索引進(jìn)行重采樣操作。
# 將時(shí)間類型索引重置，變?yōu)閏olumn列
df.reset_index(drop=False,inplace=True)
# 通過(guò)參數(shù)on指定時(shí)間類型的列名，也可以實(shí)現(xiàn)重采樣
df.resample('W', on='index')['C_0'].sum().head()
由于W是默認(rèn)為右閉且取右邊界作為分組標(biāo)簽的，重采樣后結(jié)果如下。從1/3至1/9（綠色）是完整一周，因此之前非完整部分（黃色）自動(dòng)歸為一周，后面依次按周統(tǒng)計(jì)。
2）開(kāi)閉區(qū)間指定
通過(guò)closed參數(shù)可以控制左右閉合的狀態(tài)。
默認(rèn)情況下，M,A,Q,BM,BA,BQ,W是右閉合，其余頻率均是左閉合。
下面將天頻率轉(zhuǎn)為W周頻率（默認(rèn)是右閉）。我們手動(dòng)設(shè)置左、右閉合進(jìn)行對(duì)比，可以看出二者區(qū)別，對(duì)于求和結(jié)果的影響。
df=generate_sample_data_datetime()
pd.concat([df.resample('W', closed='left')['C_0'].sum().to_frame(name='left_clsd'),
df.resample('W', closed='right')['C_0'].sum().to_frame(name='right_clsd')],
axis=1).head(5)
3）輸出結(jié)果控制
通過(guò)label參數(shù)可以控制輸出結(jié)果的標(biāo)簽。
默認(rèn)情況下，M,A,Q,BM,BA,BQ,W以分組內(nèi)右側(cè)邊界為輸出的標(biāo)簽，其余均是以分組內(nèi)左邊界為標(biāo)簽。
下面將天頻率轉(zhuǎn)為W周頻率（label默認(rèn)右邊界）。我們手動(dòng)設(shè)置label為左、右進(jìn)行對(duì)比，可以看出第二個(gè)采樣分組下輸出標(biāo)簽的區(qū)別。
df=generate_sample_data_datetime()
df.resample('W', label='left')['C_0'].sum().to_frame(name='left_bnd').head(5)
df.resample('W', label='right')['C_0'].sum().to_frame(name='right_bnd').head(5)
4）聚合統(tǒng)計(jì)
類似于groupby和窗口的聚合方法, 重采樣也適用相關(guān)方法，參考pandas分組8個(gè)常用技巧！
以下是resample采樣后可以支持的描述性統(tǒng)計(jì)和計(jì)算的內(nèi)置函數(shù)。
內(nèi)置方法下面例子中會(huì)舉例說(shuō)明。
上采樣
分為上采樣和下采樣。通過(guò)以下數(shù)據(jù)舉例說(shuō)明。
# 生成時(shí)間索引的數(shù)據(jù)
def generate_sample_data_datetime():
np.random.seed(123)
number_or_rows = 365*2
num_cols = 5
start_date = '2022-01-01'
cols = ['C_0', 'C_1', 'C_2', 'C_3', 'C_4']
df = pd.DataFrame(np.random.randint(1, 100, size = (number_or_rows, num_cols)), columns=cols)
df.index = pd.date_range(start=start_date, periods=number_or_rows)
return df
df=generate_sample_data_datetime()
以上生成數(shù)據(jù)時(shí)間索引是以天為頻率的。
根據(jù)rule參數(shù)含義碼表，H代表小時(shí)的意思，12H也就是12小時(shí)。這是resample非常強(qiáng)大的地方，可以把采樣定位的非常精確。
下面將天的時(shí)間頻率轉(zhuǎn)換為12小時(shí)的頻率，并對(duì)新的頻率分組后求和。
df.resample('12H')['C_0'].sum().head(10)
比天顆粒度更小的還可以有分鐘、秒、毫秒、微秒、納秒，可根據(jù)實(shí)際情況自行設(shè)定頻率大小。
以上可以看到，上采樣的過(guò)程中由于頻率更高導(dǎo)致采樣后數(shù)據(jù)部分缺失。這時(shí)候可以使用上采樣的填充方法，方法如下：
1）ffill
只有一個(gè)參數(shù)limit控制向前填充的數(shù)量。
下面將天為頻率的數(shù)據(jù)上采樣到8H頻率，向前填充1行和2行的結(jié)果。
df.resample('8H')['C_0'].ffill(limit=1)
2）bfill
與向前填充用法一樣，下面向后填充1行和2行的結(jié)果。
df.resample('8H')['C_0'].bfill(limit=1)
3）nearest
該方法為就近填充，無(wú)確定方向，可能向前或者向后。參數(shù)也是limit對(duì)填充數(shù)量進(jìn)行控制。以下對(duì)缺失部分按最近數(shù)據(jù)填充1行，結(jié)果如下。
df.resample('8H')['C_0'].nearest(limit=1)
4）fillna
該方法是前三種方法的集合，參數(shù)method可設(shè)置{'pad'/'ffill','bfill','nearest'}三種，分別代表向前，向后、取最近，同時(shí)也可以設(shè)置limit進(jìn)行數(shù)量控制，因此該方法可以取代前面三種。
df.resample('8H')['C_0'].fillna(method='pad', limit=1)
5）asfreq
該方法可以指定固定值對(duì)所有缺失部分一次性填充，比如對(duì)缺失部分統(tǒng)一填充-999。
df.resample('8H')['C_0'].asfreq(-999)
6）interpolate
該方法可以使用更高級(jí)的算法進(jìn)行填充。具體方法可通過(guò)參數(shù)method設(shè)置，不詳細(xì)介紹，這里以linear線性插值方法舉例。
df.resample('8H').interpolate(method='linear').applymap(lambda x:round(x,2))
應(yīng)用函數(shù)
1）agg
如果想同時(shí)對(duì)多列的聚合，或者對(duì)單列賦予多個(gè)聚合函數(shù)，可以使用agg()聚合方法。
下面進(jìn)行下采樣，將天頻率降為周，并對(duì)多個(gè)變量進(jìn)行多種聚合操作。
df.resample('W').agg(
{
'C_0': ['sum', 'mean'],
'C_1': lambda x: np.std(x, ddof=1)
}
).head()
以上結(jié)果列名顯示了兩個(gè)層級(jí)，如果想去掉層級(jí)并自定義結(jié)果中的變量名，可通過(guò)以下代碼實(shí)現(xiàn)。
df=generate_sample_data_datetime()
df.resample('W').agg(
C_0_sum=('C_0','sum'),
C_0_avg=('C_0','mean'),
C_1_delta=('C_1', lambda x:x.max()-x.min())
).head()
2）apply
使用apply函數(shù)也可以達(dá)到agg的聚合效果，以下對(duì)多個(gè)變量進(jìn)行不同的聚合函數(shù)，其中也可以自定義函數(shù)。
def agg_func(x):
names = {
'C_0_mean': round(x['C_0'].mean(),2),
'C_1_sum': x['C_1'].sum(),
'C_2_max': x['C_2'].max(),
'C_3_mean_plus1': round(x['C_3'].mean()+1,2),
}
return pd.Series(names, index=[ key for key in names.keys()])
df.resample('W').apply(agg_func).head()
3）transform
transform在分組系列中介紹過(guò)，會(huì)對(duì)原數(shù)據(jù)進(jìn)行分組內(nèi)轉(zhuǎn)換但不改變?cè)饕Y(jié)構(gòu)，在重采樣中用法一樣。transform()函數(shù)的使用方法可參考pandas transform 數(shù)據(jù)轉(zhuǎn)換的 4 個(gè)常用技巧！
以下對(duì)C_0變量進(jìn)行采樣分組內(nèi)的累加和排序操作。
df['C_0_cumsum'] = df.resample('W')['C_0'].transform('cumsum')
df['C_0_rank'] = df.resample('W')['C_0'].transform('rank')
df.head(10)
4）pipe
pipe()被稱為管道函數(shù)，可以對(duì)重采樣后的resampler對(duì)象應(yīng)用帶參數(shù)的自定義函數(shù)。pipe()函數(shù)的使用方法可參考pandas一個(gè)優(yōu)雅的高級(jí)應(yīng)用函數(shù)！
它最大的優(yōu)勢(shì)在于可以鏈?zhǔn)?/strong>使用，每次函數(shù)執(zhí)行后的輸出結(jié)果可以作為下一個(gè)函數(shù)的參數(shù)，形式如：pipe(func1).pipe(func2)，參數(shù)可以是series、dataFrames、groupBy對(duì)象、或者resampler對(duì)象。
通過(guò)pipe的鏈?zhǔn)娇梢韵窆艿酪粯影错樞蛞来螆?zhí)行操作，并且只需要一行代碼即可，極大地提高了可讀性。
以下對(duì)下采樣后的C_0和C_1變量進(jìn)行累加求和操作，然后再對(duì)兩個(gè)求和作差。
df['cumsum_delta'] = df.resample('W')['C_0','C_1'] \
.pipe(lambda x:x.cumsum()) \
.pipe(lambda x:x['C_1']-x['C_0'])
df.head(10)
這里當(dāng)pipe應(yīng)用了cumsum()函數(shù)后,與transform一樣可以返回不改變?cè)饕慕Y(jié)果。
