时间戳

首页 > 解决方案 > 从当前日期开始按月重新采样数据帧

python - 从当前日期开始按月重新采样数据帧

问题描述

我正在尝试将我的数据集修改为按月日期组织，以便以后进行预测。我遇到的问题是我根据时间顺序（一月，二月等）按月组织它，但我希望它从当前日期开始按 30 天为一组进行组织。最后，我希望我的代码采用最近的 5 个 30 天期间。

我的数据集如下所示：

data1 = pd.DataFrame({'Id' : ['001','001','001','001','001','001','001','001','001',
                              '002','002','002','002','002','002','002','002','002',],
                     'Date': ['2020-01-12', '2019-12-30', '2019-12-01','2019-11-01', '2019-08-04', '2019-08-04', '2019-08-01', '2019-07-20', '2019-06-04',
                               '2020-01-11', '2019-12-12', '2019-12-01','2019-12-01', '2019-09-10', '2019-08-10', '2019-08-01', '2019-06-20', '2019-06-01'],
                      'Quantity' :[18,5,6,8,12,14,16,19,20,           21,7,6,5,4,3,2,1,0]
                      })

我的代码看起来像：

data1['Date'] =pd.to_datetime(data1['Date'])
data1 = data1.groupby('Id').apply(lambda x: x.set_index('Date').resample('M').sum())
data1 = data1.groupby(level='Id').tail(5)

预期的输出看起来像这样（使用 groupby(Id)）

    Id        Date  Quantity
0  001  2020-02-04        18
1  001  2020-01-05         5
2  001  2019-12-06         6
3  001  2019-11-07         8
4  001  2019-11-08        12
5  002  2020-02-04        21
6  002  2020-01-05         7
7  002  2019-12-06        11
8  002  2019-11-07         0
9  002  2019-11-08         3

目前，这并没有任何实际意义，因为如果我想预测下个月的需求，比如说三月，实际上距离今天差不多 2 个月，尽管距离三月还有一个月的时间。

我希望我的问题很清楚，我花了很多时间试图弄清楚，我需要一些帮助。如果有人有提示，我将不胜感激！

标签： pythonpandas

解决方案

您可以使用pd.cut从今天开始对过去 30 天的时段进行分组。

import pandas as pd

today = pd.to_datetime('today').normalize()
freq = '30D'  # Size of the bins

Nbin = (today - data1['Date'].min())//pd.Timedelta(freq) + 1  # Number of bins
bins = [today - n*pd.Timedelta(freq) for n in range(Nbin, -1, -1)]

data1.groupby(['Id', pd.cut(data1['Date'], bins=bins)]).sum()

Id  Date                              
001 (2019-06-09, 2019-07-09]       NaN
    (2019-07-09, 2019-08-08]      61.0
    (2019-08-08, 2019-09-07]       NaN
    (2019-09-07, 2019-10-07]       NaN
    (2019-10-07, 2019-11-06]       8.0
    (2019-11-06, 2019-12-06]       6.0
    (2019-12-06, 2020-01-05]       5.0
    (2020-01-05, 2020-02-04]      18.0
002 (2019-06-09, 2019-07-09]       1.0
    (2019-07-09, 2019-08-08]       2.0
    (2019-08-08, 2019-09-07]       3.0
    (2019-09-07, 2019-10-07]       4.0
    (2019-10-07, 2019-11-06]       NaN
    (2019-11-06, 2019-12-06]      11.0
    (2019-12-06, 2020-01-05]       7.0
    (2020-01-05, 2020-02-04]      21.0

推荐阅读