（數據科學學習手札99）掌握pandas中的時序數據分組運算

本文示例代碼及文件已上傳至個人Github倉庫https://github.com/CNFeffery/DataScienceStudyNotes

1 簡介

　　咱們在使用pandas分析處理時間序列數據時，常常須要對原始時間粒度下的數據，按照不一樣的時間粒度進行分組聚合運算，譬如基於每一個交易日的股票收盤價，計算每月的最低和最高收盤價。

　　而在pandas中，針對不一樣的應用場景，咱們可使用resample()、groupby()以及Grouper()來很是高效快捷地完成此類任務。

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一樣，對時間序列進行分組聚合可經過如下兩類方式實現：

2.1 利用resample()對時序數據進行分組聚合

　　resample原始的意思是重採樣，可分爲上採樣與下采樣，而咱們一般狀況下使用的都是下采樣，也就是從高頻的數據中按照必定規則計算出更低頻的數據，就像咱們一開始說的對每日數據按月彙總那樣。

　　若是你熟悉pandas中的groupby()分組運算，那麼你就能夠很快地理解resample()的使用方式，它本質上就是在對時間序列數據進行「分組」，最基礎的參數爲rule，用於設置按照何種方式進行重採樣，就像下面的例子那樣：

import pandas as pd

# 記錄了2013-02-08到2018-02-07之間每一個交易日蘋果公司的股價
AAPL = pd.read_csv('AAPL.csv', parse_dates=['date'])

# 以月爲統計窗口計算每個月股票最高收盤價
(
    AAPL
    .set_index('date') # 設置date爲index
    .resample('M') # 以月爲單位
    .agg({
        'close': ['max', 'min']
    })
)

圖2

　　能夠看到，在上面的例子中，咱們對index爲日期時間類型的DataFrame應用resample()方法，傳入的參數'M'是resample第一個位置上的參數rule，用於肯定時間窗口的規則，譬如這裏的字符串'M'就表明月且聚合結果中顯示對應月的最後一天，經常使用的固化的時間窗口規則以下表所示：

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

　　且這些規則均可以在前面添加數字實現倍數效果：

# 以6個月爲統計窗口計算每個月股票平均收盤價且顯示爲當月第一天
(
    AAPL
    .set_index('date') # 設置date爲index
    .resample('6MS') # 以6個月爲單位
    .agg({
        'close': 'mean'
    })
)

圖3

　　且resample()很是貼心之處在於它會自動幫你對齊到規整的時間單位上，譬如咱們這裏只有交易日纔會有記錄，若是咱們設置的時間單位下無對應記錄，也會爲你保留帶有缺失值記錄的時間點：

(
    AAPL
    .set_index('date') # 設置date爲index
    .resample('1D') # 以1日爲單位
    .agg({
        'close': 'mean'
    })
)

圖4

　　而經過參數closed咱們能夠爲細粒度的時間單位設置區間閉合方式，譬如咱們以2日爲單位，將closed設置爲'right'時，從第一行記錄開始計算所落入的時間窗口時，其對應爲時間窗口的右邊界，從而影響後續全部時間單元的劃分方式：

(
    AAPL
    .set_index('date') # 設置date爲index
    .resample('2D', closed='right')
    .agg({
        'close': 'mean'
    })
)

圖5

　　而即便你的數據框index不是日期時間類型，也可使用參數on來傳入日期時間列名實現一樣的效果。

2.2 利用groupby()+Grouper()實現混合分組

　　有些狀況下，咱們不單單須要利用時間類型列來分組，也可能須要包含時間類型在內的多個列共同進行分組，這種狀況下咱們就可使用到Grouper()。

　　它經過參數freq傳入等價於resample()中rule的參數，並利用參數key指定對應的時間類型列名稱，可是能夠幫助咱們建立分組規則後傳入groupby()中：

# 分別對蘋果與微軟每個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'
    })
)

圖6

　　且在此種混合分組模式下，咱們能夠很是方便的配合apply、transform等操做，這裏就再也不贅述。

---

　　以上就是本文的所有內容，歡迎在評論區與我進行討論~