2

我想执行一个大熊猫时间序列的 groupby.first() ，其中日期时间索引几乎是连续的，几乎小于 5 分钟的差异。我看过很多材料，但如果日期时间不是连续的，就像我的例子一样：

ind=['2019-02-28 01:20:00', '2019-02-28 01:21:00','2019-02-28 01:22:00', '2019-02-28 01:23:00',
     '2019-02-28 01:24:00', '2019-02-28 01:25:00','2019-02-28 01:26:00', '2019-02-28 01:27:00',
     '2019-02-28 01:28:00', '2019-02-28 04:05:00','2019-02-28 04:06:00', '2019-02-28 04:07:00',
     '2019-02-28 04:08:00', '2019-02-28 04:09:00','2019-02-28 06:55:00', '2019-02-28 06:56:00',
     '2019-02-28 06:57:00', '2019-02-28 06:58:00','2019-02-28 09:50:00', '2019-02-28 09:51:00',
     '2019-02-28 09:52:00', '2019-02-28 09:53:00','2019-02-28 09:54:00', '2019-02-28 09:55:00',          
     '2019-02-28 09:56:00', '2019-02-28 09:57:00','2019-02-28 09:58:00', '2019-02-28 09:59:00',
     '2019-02-28 10:00:00']

val=[2.11, 2.24, 2.37, 2.42, 2.58, 2.71, 2.76, 3.06, 3.29, 2.04, 2.26,2.55, 2.89, 3.26, 2.2 , 2.54,
     2.85, 3.24, 2.2 , 2.12, 2.11, 2.07,2.1 , 2.16, 2.28, 2.35, 2.44, 2.5 , 2.57]

s = pd.Series(val,index=pd.to_datetime(ind))

我想要的输出应该是：

Datetime               Value
2019-02-28 01:20:00    2.11
2019-02-28 04:05:00    2.04
2019-02-28 06:55:00    2.20
2019-02-28 09:50:00    2.20

任何人都可以帮助我吗？

4

3 回答 3

4

让我们group在时间差小于的连续行块上的数据帧5min：

df = s.reset_index(name='Value')
b  = df['index'].diff().dt.seconds.gt(300).cumsum()
df = df.groupby(b, as_index=False).first()

解释

重置给定时间序列的索引，s然后计算日期时间索引与前一个元素相比的差异，并用于dt.seconds获得以秒为单位的差异。

>>> df['index'].diff().dt.seconds

0         NaN
1        60.0
2        60.0
3        60.0
4        60.0
5        60.0
6        60.0
7        60.0
8        60.0
9      9420.0
....
25       60.0
26       60.0
27       60.0
28       60.0
Name: index, dtype: float64

现在比较总秒数300以创建一个布尔掩码，然后cumsum识别连续日期时间值之间的差异小于的行块5 min

>>> df['index'].diff().dt.seconds.gt(300).cumsum()

0     0
1     0
2     0
3     0
4     0
5     0
6     0
7     0
8     0
9     1
...
25    3
26    3
27    3
28    3
Name: index, dtype: int64

Group上述块上的数据框并使用聚合first

>>> df
                index  Value
0 2019-02-28 01:20:00   2.11
1 2019-02-28 04:05:00   2.04
2 2019-02-28 06:55:00   2.20
3 2019-02-28 09:50:00   2.20
于 2021-03-23T18:33:52.140 回答
2

使用numpy基于解决方案：

from numpy import array, diff, where, split
data = ((s.index.hour*60)+s.index.minute+(s.index.second/60)).astype(int)
data = {k:v for k,v in enumerate(data)}
result= split(list(data.keys()), where(diff(list(data.values()))>5)[0]+1 )
res = s.iloc[[i[0] for i in result]]

资源：

2019-02-28 01:20:00    2.11
2019-02-28 04:05:00    2.04
2019-02-28 06:55:00    2.20
2019-02-28 09:50:00    2.20
dtype: float64
于 2021-03-23T18:26:12.373 回答
0

看来您错过了一些值。这将过滤行 10**9 纳秒每秒、60 秒每分钟、5 分钟边界。

df.loc[df.index.values.astype(int)%(10**9*60*5)==0]

输出

2019-02-28 01:20:00    2.11
2019-02-28 01:25:00    2.71
2019-02-28 04:05:00    2.04
2019-02-28 06:55:00    2.20
2019-02-28 09:50:00    2.20
2019-02-28 09:55:00    2.16
2019-02-28 10:00:00    2.57
于 2021-03-23T18:30:03.510 回答