时间戳

首页 > 解决方案 > 一段时间内的累积总和

python - 一段时间内的累积总和

问题描述

我的数据框具有以下结构：

 date_today = dt.datetime.now()
 size=20
 df = pd.DataFrame({"usd": pd.Series(np.random.randint(1,100,size))*10,
               "sent": dt.datetime.now(),
               "temp":np.random.randint(0,15, size=size)
              })
df.sent += df.temp.map(dt.timedelta)
df.temp = np.random.randint(10,25, size=size)
df["reminder"] = df.sent + df.temp.map(dt.timedelta)
df.temp = np.random.randint(1,65, size=size)
df["completed"] = df.reminder + df.temp.map(dt.timedelta)
df.loc[df['temp']%3 == 0, ['reminder']] = [""]
df.loc[df['temp']%2 == 0, ['completed']] = [""]
df=df[["usd", "sent", "reminder", "completed"]]

usd 是我请求的钱（数字），其他列是日期时间（当我请求时，当我发送提醒时，以及当我收到钱时；最后两个可以为空）。我还创建了以下每个季度的列表：

date_index = []
previous_date=""
for m in range(0,14):
    month = (m%12)+1
    year = m//12
    current_date = dt.date(2019+year, month, 1)
    if previous_date:
        timedelta = current_date-previous_date
        date_index.append(previous_date+1*timedelta/4)
        date_index.append(previous_date+2*timedelta/4)
        date_index.append(previous_date+3*timedelta/4)
    date_index.append(current_date)
    previous_date = current_date

我想获得具有以下结构的数据框：

df_result = pd.DataFrame(columns=["date","sent_amount","reminder_amount","completed_amount"])

其中 df_result.date 列是前一点的 date_index 序列，sent_amount 是 df.sent 列 < df_result.date 的记录的 df.amount 列的总和，reminder_amount 是 df.amount 列的总和，其中 df.sent 列是 df.amount 列的总和。提醒栏是 < df_result.date。我可以通过循环来实现它，但我很想学习如何让我的代码更苗条。如果您对随机数据框创建或每个季度的列表有任何建议，我们也非常欢迎。

标签： pythonpandaspandas-groupby

解决方案

您可以melt将 DataFrame，cut日期转换为从 开始的日期范围date_index，然后按变量（已完成/提醒/发送）+日期的组合进行分组，sum增加usd金额，然后将其解压成列并cumsum获得累积总和：

x = df.melt('usd', value_name='date')
x['date'] = pd.cut(x['date'], pd.to_datetime(date_index)).apply(lambda x: x.right)
x['variable'] += '_amount'

df_result = x.dropna().groupby(['variable', 'date'])['usd'].sum().unstack(0, 0).sort_index().cumsum()

print(df_result)

输出：

variable    completed_amount  reminder_amount  sent_amount
date                                                      
2019-03-16                 0                0         3180
2019-03-24                 0                0         8840
2019-04-01                 0             1700        10350
2019-04-08                 0             3230        10350
2019-04-16                 0             6200        10350
2019-04-23               320             6860        10350
2019-05-01              1170             6860        10350
2019-05-16              2300             6860        10350
2019-06-01              5130             6860        10350
2019-06-08              5710             6860        10350

推荐阅读