大熊猫：对多索引数据框重新采样

编程问答 2022-06-09

问题描述

我有一个带有多个索引的数据框：“主题”和“日期时间”。 每行对应一个主题和一个日期时间，数据框的各列对应各种度量。

每个主题的天数范围不同，并且给定主题的天数可能会丢失（请参见示例）。而且，一个对象在一天中可以有一个或多个值。

我想对数据框重新采样，以便：

  • 每个主题每天只有一行（我不在乎一天中的时间）
  • 每个列的值都是当天的最后一个非NaN（如果当天没有值，则为NaN）
  • 在任何列上都没有值的日子不会被创建或保留。

例如，以下数据框示例：

                                a       b
subject  datetime                        
patient1 2018-01-01 00:00:00  2.0    high
         2018-01-01 01:00:00  NaN  medium
         2018-01-01 02:00:00  6.0     NaN
         2018-01-01 03:00:00  NaN     NaN
         2018-01-02 00:00:00  4.3     low
patient2 2018-01-01 00:00:00  NaN  medium
         2018-01-01 02:00:00  NaN     NaN
         2018-01-01 03:00:00  5.0     NaN
         2018-01-03 00:00:00  9.0     NaN
         2018-01-04 02:00:00  NaN     NaN

应返回：

                                a       b
subject  datetime                        
patient1 2018-01-01 00:00:00  6.0  medium
         2018-01-02 00:00:00  4.3     low
patient2 2018-01-01 00:00:00  5.0  medium
         2018-01-03 00:00:00  9.0     NaN

我花了太多时间试图通过使用'pad'选项进行重采样来获得此结果，但是我总是会出错，或者无法获得想要的结果。有人可以帮忙吗？

注意：这是创建示例数据框的代码：

import pandas as pd
import numpy as np

index = pd.MultiIndex.from_product([['patient1','patient2'],pd.date_range('20180101',periods=4,freq='h')])

df = pd.DataFrame({'a': [2,np.nan,6,5],'b': ['high','medium','low',np.nan]},index=index)
df.index.names = ['subject','datetime']

df = df.drop(df.index[5])
df.at[('patient2','2018-01-03 00:00:00'),'a'] = 9
df.at[('patient2','2018-01-04 02:00:00'),'a'] = None
df.at[('patient1','2018-01-02 00:00:00'),'a'] = 4.3
df.at[('patient1','b'] = 'low'

df = df.sort_index(level=['subject','datetime'])

解决方法

让我们以每天的频率floor datetime，然后groupby subject +下限时间戳记的数据帧和agg使用last，最后drop行全部包含NaN's：

i = pd.to_datetime(df.index.get_level_values(1)).floor('d')
df1 = df.groupby(['subject',i]).agg('last').dropna(how='all')

                       a       b
subject  datetime               
patient1 2018-01-01  6.0  medium
         2018-01-02  4.3     low
patient2 2018-01-01  5.0  medium
         2018-01-03  9.0     NaN
, 
# drop a et b we don't need them when they ='re both na
df = df.reset_index().dropna(subset=["a","b"],how="all")

#add a day columns we need it to keep last value
df["dt_day"] = df["datetime"].dt.date

#d1 result dataframe which we add a et b
 
d1 = df.copy().drop_duplicates(subset=["subject","dt_day"]).loc[:,["subject","datetime"]].reset_index(drop=True)

#add a et b to ou dataframe result

for col in ["a","b"]:
    d1.loc[:,col] = (df.copy().
                     dropna(subset=[col]).drop_duplicates(subset=["subject","dt_day"],keep="last")[col]
                     .reset_index(drop=True))

Wall time: 24 ms

@Shubham Sharma code => Wall time: 2.94 ms

    subject   datetime    a       b
0  patient1 2018-01-01  6.0  medium
1  patient1 2018-01-02  4.3     low
2  patient2 2018-01-01  5.0  medium
3  patient2 2018-01-03  9.0     NaN

感谢您的提问：）

,

这应该可以完成工作：

def day_agg(series_):
    try:
        return series_.dropna().iloc[-1]
    except IndexError:
        return float("nan")

df = df.reset_index().sort_values("datetime")
df.groupby([df["subject"],df.datetime.map(lambda x:datetime(year=x.year,month=x.month,day=x.day))])\
    .agg({"a":day_agg,"b":day_agg})\
    .dropna(how="all")
dataframepandaspandas-resamplepython