时间戳

首页 > 解决方案 > 使用时间滚动计数熊猫分类变量

python - 使用时间滚动计数熊猫分类变量

问题描述

我有一个看起来像这样的数据框：

Datetime   | Category | ID
--------------------------
2020-01-30 | A        | 1
2020-02-01 | B        | 1
2020-02-02 | A        | 1
2020-02-20 | A        | 1
2020-01-28 | B        | 2
2020-01-29 | C        | 2
2020-01-30 | C        | 2
2020-01-31 | D        | 2
2020-02-01 | D        | 2
2020-02-02 | D        | 2
2020-02-03 | C        | 2

我想在该行的 1 周窗口内获取每个 ID 的前 2 个最常见的类别（不包括当前行）。熊猫有可能吗？我试图做 .rolling 和 .value_counts 但它似乎不起作用。谢谢！

下面是我想得到的数据框：

Datetime   | Category | ID
--------------------------
2020-01-30 | NaN      | 1
2020-02-01 | [A, ""]  | 1
2020-02-02 | [A, B]   | 1
2020-02-20 | NaN      | 1
2020-01-28 | Nan      | 2
2020-01-29 | [B,""]   | 2
2020-01-30 | [B,C]    | 2
2020-01-31 | [B,C]    | 2
2020-02-01 | [C,D]    | 2
2020-02-02 | [C,D]    | 2
2020-02-03 | [C,D]    | 2

谢谢！

编辑 pd.get_dummies 答案很好，但由于我的数据集很大，它效率不高。如果有人对此有有效的解决方案，将不胜感激！谢谢！

标签： pythonpandasrolling-computation

解决方案

您可以使用resample()而不是rolling()，因为您的时间索引频率是每天，并且您想要每周统计信息，所以请尝试以下操作：

df.groupby('ID').resample('1w').apply(lambda s: s.value_counts().head(2))

请注意，这仅适用于apply()将数据剥离为的 Pandas 版本pd.Series，而不是np.arrays. 此外，如果您的数据框中有更多列，则可能需要在 lambda 函数中指定列名，即：

df.groupby('ID').resample('1w').apply(lambda s: s['Category'].value_counts().head(2))

如果您需要排除窗口中的第一行，请使用iloc[]切片：

df.groupby('ID').resample('1w').apply(lambda s: s['Category'].iloc[1:].value_counts().head(2))

推荐阅读