时间戳

首页 > 解决方案 > 在 Pandas MultiIndex 中移动 DateTime 索引

python - 在 Pandas MultiIndex 中移动 DateTime 索引

问题描述

我有一个 csv 文件，当我加载它时，它看起来像这样：

# generate example data
users = ['A', 'B', 'C', 'D']
#dates = pd.date_range("2020-02-01 00:00:00", "2020-04-04 20:00:00", freq="H")
dates = pd.date_range("2020-02-01 00:00:00", "2020-02-04 20:00:00", freq="H")
idx = pd.MultiIndex.from_product([users, dates])
idx.names = ["user", "datehour"]
y = pd.Series(np.random.choice(a=[0, 1], size=len(idx)), index=idx).rename('y')

# write to csv and reload (turns out this matters)
y.to_csv('reprod_example.csv')
y = pd.read_csv('reprod_example.csv', parse_dates=['datehour'])
y = y.set_index(['user', 'datehour']).y

>>> y.head()
user  datehour           
A     2020-02-01 00:00:00    0
      2020-02-01 01:00:00    0
      2020-02-01 02:00:00    1
      2020-02-01 03:00:00    0
      2020-02-01 04:00:00    0
Name: y, dtype: int64

我具有以下功能来创建索引级别的滞后功能：

def shift_index(a, dt_idx_name, lag_freq, lag):

    # get datetime index of relevant level
    ac = a.copy()
    dti = ac.index.get_level_values(dt_idx_name)

    # shift it
    dti_shifted = dti.shift(lag, freq=lag_freq)

    # put it back where you found it
    ac.index.set_levels(dti_shifted, level=dt_idx_name, inplace=True)

    return ac

但是当我运行: 时 y_lag = shift_index(y, 'datehour', 'H', 1)，我收到以下错误：

ValueError: Level values must be unique...

（我实际上可以通过verify_integrity=False 在.index.set_levels...函数中添加来抑制这个错误，但这（可以预见）会导致问题）

这是奇怪的部分。如果您运行上面的示例但没有从 csv 保存/重新加载，它可以工作。我认为原因似乎是在创建属性后立即y.index.get_level_value('datehour')显示freq='H'属性，但freq=None一旦从 csv 重新加载。

这是有道理的，csv 显然不会保存该元数据。但是我发现为 MultiIndexed 系列设置 freq 属性非常困难。例如，这什么也没做。 df.index.freq = pd.tseries.frequencies.to_offset("H"). 这个答案也不适用于我的 MultiIndex 。

因此，如果我能够设置freqMultiIndex 的 DateTime 组件的属性，我想我可以解决这个问题。但我的最终目标是y使用移位的 DateTime MultiIndex 组件创建我的数据版本，例如shift_index上面的函数。由于我通过 csv 接收数据，因此“只是不保存到 csv 并重新加载”不是一个选项。

标签： pythonpandasindexingmulti-index

解决方案

经过一番烦躁之后，我能够使用asfreq('H')分组数据设置每小时频率，这样每个组都有唯一的datehour索引值。

y = pd.read_csv('reprod_example.csv', parse_dates=['datehour'])
y = y.groupby('user').apply(lambda df: df.set_index('datehour').asfreq('H')).y

查看索引值显示正确的频率。

y.index[0]                                                                                                                                                                                                                          
# ('A', Timestamp('2020-02-01 00:00:00', freq='H'))

所有这一切都是将索引设置为两部分。user优先，以便嵌套索引在其中datehour可以是唯一的。一旦datehour索引是唯一的，那么asfreq就可以毫无困难地使用。

如果您尝试asfreq使用非唯一索引，它将无法正常工作。

y_load.set_index('datehour').asfreq('H')
# ---------------------------------------------------------------------------
# ValueError                                Traceback (most recent call last)
# <ipython-input-433-3ba51b619417> in <module>
# ----> 1 y_load.set_index('datehour').asfreq('H')
# ...
# ValueError: cannot reindex from a duplicate axis

推荐阅读