我有一系列带有时间戳且间隔不规则的测量值。这些系列中的值始终代表测量值的变化——即没有变化就没有新值。此类系列的一个简单示例是：
23:00:00.100 10
23:00:01.200 8
23:00:01.600 0
23:00:06.300 4
我想要达到的是一系列等距的时间加权平均值。对于给定的示例，我可能会针对基于秒的频率，因此结果如下：
23:00:01 NaN ( the first 100ms are missing )
23:00:02 5.2 ( 10*0.2 + 8*0.4 + 0*0.4 )
23:00:03 0
23:00:04 0
23:00:05 0
23:00:06 2.8 ( 0*0.3 + 4*0.7 )
我正在寻找解决该问题的 Python 库。对我来说，这似乎是一个标准问题，但到目前为止我在 pandas 等标准库中找不到这样的功能。
该算法需要考虑两件事：
- 时间加权平均
- 在形成平均值时考虑当前间隔之前的值（甚至可能提前）
使用熊猫
data.resample('S', fill_method='pad') # forming a series of seconds
做部分工作。为聚合提供用户定义的函数将允许形成时间加权平均值，但由于忽略了间隔的开始，这个平均值也将是不正确的。更糟糕的是：系列中的孔被平均值填充，在上面的示例中导致第 3、4 和 5 秒的值不为零。
data = data.resample('L', fill_method='pad') # forming a series of milliseconds
data.resample('S')
以一定的准确性完成这个技巧，但是 - 取决于准确性 - 非常昂贵。就我而言，太贵了。
编辑：解决方案
import pandas as pa
import numpy as np
from datetime import datetime
from datetime import timedelta
time_stamps=[datetime(2013,04,11,23,00,00,100000),
datetime(2013,04,11,23,00,1,200000),
datetime(2013,04,11,23,00,1,600000),
datetime(2013,04,11,23,00,6,300000)]
values = [10, 8, 0, 4]
raw = pa.TimeSeries(index=time_stamps, data=values)
def round_down_to_second(dt):
return datetime(year=dt.year, month=dt.month, day=dt.day,
hour=dt.hour, minute=dt.minute, second=dt.second)
def round_up_to_second(dt):
return round_down_to_second(dt) + timedelta(seconds=1)
def time_weighted_average(data):
end = pa.DatetimeIndex([round_up_to_second(data.index[-1])])
return np.average(data, weights=np.diff(data.index.append(end).asi8))
start = round_down_to_second(time_stamps[0])
end = round_down_to_second(time_stamps[-1])
range = pa.date_range(start, end, freq='S')
data = raw.reindex(raw.index + range)
data = data.ffill()
data = data.resample('S', how=time_weighted_average)
