pandas 时序统计的高级用法！

👉往期精选文章

以上文章内容均记录在东哥原创的图文手册里，详细内容可戳👉pandas最强学习路线 进行了解。

本次介绍pandas时间统计分析的一个高级用法--重采样。

重采样指的是时间重采样，就是将时间序列从一个频率转换到另一个频率上，对应数据也跟着频率进行变化。比如时间序列数据是以天为周期的，通过重采样我们可以将其转换为按分钟、小时、周、月、季度等等的其他周期上。根据转换的频率精度可分为向上采样和向下采样。

• 向上采样：转换到更细颗粒度的频率，比如将天转为小时、分钟、秒等
• 向下采样：转换到更粗颗粒度的频率，比如将天转为周、月、季度、年等

resample用法

pandas中时间重采样的方法是resample()，可以对series和dataframe对象操作。由于重采样默认对索引执行变换，因此索引必须是时间类型，或者通过on指定要重采样的时间类型的column列。

用法：
pandas.DataFrame.resample()
pandas.Series.resample()
------
返回：Resampler对象

参数：

• rule：定义重采样的规则，DateOffset,Timedelta或str类型，当为str类型时，其参数及含义如下表所示
• axis：指定轴方向，str类型，默认为0
• 0：代表索引
• 1：代表列
• closed：指定时间频率分组的左右闭合状态，默认M,A,Q,BM,BA,BQ,W右闭合，其余均是左闭合
• left：指定左闭合
• right：指定右闭合
• label：指定左或右边界作为分组标签，默认M,A,Q,BM,BA,BQ,W以右边界为分组标签，其余均是以左边界为分组标签
• left：以左边界为分组标签
• right：以右边界为分组标签
• kind：将结果索引转化为指定的时间类型
• timestamp：将结果索引转换为DateTimeIndex
• period：将结果索引转换为PeriodIndex
• on：对于dataframe，指定被重采样的列，且列必须是时间类型
• level：对于多级索引，指定要被重采样的索引层级，int或str类型。
• int：索引层级
• str：索引层级名称
• origin：调整时间分组的起点。Timestamp或str类型，当为str时：
• epoch：1970-01-01
• start：时间序列的第一个值
• start_day：时间序列第一天的午夜
• end：时间序列的最后一个值
• end_day：最后一天的午夜
• offset：对origin添加的偏移量，Timedelta或str类型
• group_keys：指定是否在结果索引包含分组keys，当采样对象使用了.apply()方法，默认False不包含

举例：

1）指定列名

resample默认只对索引对象操作，换句话说，默认情况下索引必须是时间类型的数据，否则执行会报错。

对于dataframe而言，如不想对索引重采样，可以通过on参数选择一个column列代替索引进行重采样操作。

# 将时间类型索引重置，变为column列
df.reset_index(drop=False,inplace=True)
# 通过参数on指定时间类型的列名，也可以实现重采样
df.resample('W', on='index')['C_0'].sum().head()

由于W是默认为右闭且取右边界作为分组标签的，重采样后结果如下。从1/3至1/9（绿色）是完整一周，因此之前非完整部分（黄色）自动归为一周，后面依次按周统计。

2）开闭区间指定

通过closed参数可以控制左右闭合的状态。

默认情况下，M,A,Q,BM,BA,BQ,W是右闭合，其余频率均是左闭合。

下面将天频率转为W周频率（默认是右闭）。我们手动设置左、右闭合进行对比，可以看出二者区别，对于求和结果的影响。

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）输出结果控制

通过label参数可以控制输出结果的标签。

默认情况下，M,A,Q,BM,BA,BQ,W以分组内右侧边界为输出的标签，其余均是以分组内左边界为标签。

下面将天频率转为W周频率（label默认右边界）。我们手动设置label为左、右进行对比，可以看出第二个采样分组下输出标签的区别。

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）聚合统计

类似于groupby和窗口的聚合方法, 重采样也适用相关方法，参考pandas分组8个常用技巧！

以下是resample采样后可以支持的描述性统计和计算的内置函数。

内置方法下面例子中会举例说明。

上采样

分为上采样和下采样。通过以下数据举例说明。

# 生成时间索引的数据
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()

以上生成数据时间索引是以天为频率的。

根据rule参数含义码表，H代表小时的意思，12H也就是12小时。这是resample非常强大的地方，可以把采样定位的非常精确。

下面将天的时间频率转换为12小时的频率，并对新的频率分组后求和。

df.resample('12H')['C_0'].sum().head(10)

比天颗粒度更小的还可以有分钟、秒、毫秒、微秒、纳秒，可根据实际情况自行设定频率大小。

以上可以看到，上采样的过程中由于频率更高导致采样后数据部分缺失。这时候可以使用上采样的填充方法，方法如下：

1）ffill

只有一个参数limit控制向前填充的数量。

下面将天为频率的数据上采样到8H频率，向前填充1行和2行的结果。

df.resample('8H')['C_0'].ffill(limit=1)

2）bfill

与向前填充用法一样，下面向后填充1行和2行的结果。

df.resample('8H')['C_0'].bfill(limit=1)

3）nearest

该方法为就近填充，无确定方向，可能向前或者向后。参数也是limit对填充数量进行控制。以下对缺失部分按最近数据填充1行，结果如下。

df.resample('8H')['C_0'].nearest(limit=1)

4）fillna

该方法是前三种方法的集合，参数method可设置{'pad'/'ffill','bfill','nearest'}三种，分别代表向前，向后、取最近，同时也可以设置limit进行数量控制，因此该方法可以取代前面三种。

df.resample('8H')['C_0'].fillna(method='pad', limit=1)

5）asfreq

该方法可以指定固定值对所有缺失部分一次性填充，比如对缺失部分统一填充-999。

df.resample('8H')['C_0'].asfreq(-999)

6）interpolate

该方法可以使用更高级的算法进行填充。具体方法可通过参数method设置，不详细介绍，这里以linear线性插值方法举例。

df.resample('8H').interpolate(method='linear').applymap(lambda x:round(x,2))

应用函数

1）agg

如果想同时对多列的聚合，或者对单列赋予多个聚合函数，可以使用agg()聚合方法。

下面进行下采样，将天频率降为周，并对多个变量进行多种聚合操作。

df.resample('W').agg(
    {
        'C_0': ['sum', 'mean'],
        'C_1': lambda x: np.std(x, ddof=1)
    }
).head()

以上结果列名显示了两个层级，如果想去掉层级并自定义结果中的变量名，可通过以下代码实现。

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函数也可以达到agg的聚合效果，以下对多个变量进行不同的聚合函数，其中也可以自定义函数。

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在分组系列中介绍过，会对原数据进行分组内转换但不改变原索引结构，在重采样中用法一样。transform()函数的使用方法可参考pandas transform 数据转换的 4 个常用技巧！

以下对C_0变量进行采样分组内的累加和排序操作。

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()被称为管道函数，可以对重采样后的resampler对象应用带参数的自定义函数。pipe()函数的使用方法可参考pandas一个优雅的高级应用函数！

它最大的优势在于可以链式使用，每次函数执行后的输出结果可以作为下一个函数的参数，形式如：pipe(func1).pipe(func2)，参数可以是series、dataFrames、groupBy对象、或者resampler对象。

通过pipe的链式可以像管道一样按顺序依次执行操作，并且只需要一行代码即可，极大地提高了可读性。

以下对下采样后的C_0和C_1变量进行累加求和操作，然后再对两个求和作差。

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)

这里当pipe应用了cumsum()函数后,与transform一样可以返回不改变原索引的结果。

-end-