Question

我正在处理有关大联盟棒球比赛出勤率的数据。

我正在尝试在数据框中创建一个新列，以返回指定对手球队比赛的最接近日期（但不能在给定日期之后）。

例如，对于包含有关洛杉矶天使游戏数据的行：

Game_Num      Date         Team        Win      Attendance      Net Wins
23            2010-04-05   LAA         1        43504           12

我想查找洛杉矶道奇（'LAD'）游戏的最近日期并将其附加在新列中。

我的最终目标是创建另一个列，该列显示比赛中对手球队的净胜利是什么，以便我可以查看是否另一支球队在影响门票销售的情况下表现出色。

到目前为止，这是我尝试过的：

for index, row in bbattend.iterrows():
    if row['Team'] == 'LAA':
        basedate = row['Date']
        tempdf = bbattend.loc[(bbattend['Team'] == 'LAD') & (bbattend['Date'] < basedate)]
        tempdf['Datediff'] = abs(basedate-tempdf['Date']).days
        mindiff = tempdf['Datediff'].min()
        bbattend['CloseRivalDate'] = tempdf[tempdf['Date']==mindiff]['Date']
        bbattend['RivalNetWins'] = tempdf[tempdf['Date']==mindiff]['Net_Wins']
        bbattend['RivalWinPer'] = tempdf[tempdf['Date']==mindiff]['Win_Per']

这是我从中得到的错误：

---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
<ipython-input-128-f2be88528772> in <module>
      3         basedate = row['Date']
      4         tempdf = bbattend.loc[(bbattend['Team'] == 'LAD') & (bbattend['Date'] < basedate)]
----> 5         tempdf['Datediff'] = abs(basedate-tempdf['Date']).days
      6         mindiff = tempdf['Datediff'].min()
      7         bbattend['CloseRivalDate'] = tempdf[tempdf['Date']==mindiff]['Date']

~/anaconda3/lib/python3.7/site-packages/pandas/core/generic.py in __getattr__(self, name)
   5065             if self._info_axis._can_hold_identifiers_and_holds_name(name):
   5066                 return self[name]
-> 5067             return object.__getattribute__(self, name)
   5068 
   5069     def __setattr__(self, name, value):

AttributeError: 'Series' object has no attribute 'days'

这是我的数据框代码，以防万一：

import requests
import pandas as pd
import numpy as np
from datetime import datetime
import re

Teams = ['LAA', 'LAD', 'NYY', 'NYM', 'CHC', 'CHW', 'OAK', 'SFG']
Years = []
for year in range(2010,2020):
    Years.append(str(year))

list_of_df = list()

for team in Teams:
    for year in Years:
        url = 'https://www.baseball-reference.com/teams/' + team + '/' + year +'-schedule-scores.shtml'
        dfname = team + '_' + year
        html = requests.get(url).content
        df_list = pd.read_html(html)
        df = df_list[-1]

        #Formatting data table
        df.rename(columns={"Gm#": "GM_Num", "Unnamed: 4": "Home", "Tm": "Team", "D/N": "Night"}, inplace = True)
        df['Home'] = df['Home'].apply(lambda x: 0 if x == '@' else 1)
        df['Game_Win'] = df['W/L'].astype(str).str[0]
        df['Game_Win'] = df['Game_Win'].apply(lambda x: 0 if x == 'L' else 1)
        df['Night'] = df['Night'].apply(lambda x: 1 if x == 'N' else 0)
        df['Streak'] = df['Streak'].apply(lambda x: -1*len(x) if '-' in x else len(x))
        df.drop('Unnamed: 2', axis=1, inplace = True)
        df.drop('Orig. Scheduled', axis=1, inplace = True)
        df.drop('Win', axis=1, inplace = True)
        df.drop('Loss', axis=1, inplace = True)
        df.drop('Save', axis=1, inplace = True)
        #Drop rows that do not have data
        df = df[df['GM_Num'].str.isdigit()]
        WL = df["W-L"].str.split("-", n = 1, expand = True)
        df["Wins"] = WL[0].astype(dtype=np.int64)
        df["Losses"] = WL[1].astype(dtype=np.int64)
        df['Net_Wins'] = df['Wins'] - df['Losses']
        df['Win_Per'] = df['Wins']/(df['Wins']+df['Losses'])
        DayDate = df['Date'].str.split(", ", n = 1, expand = True)
        df['DayOfWeek'] = DayDate[0]
        df['Date'] = DayDate[1] + ', ' + year
        df['Date'] = [re.sub("\s\(\d+\)", "", str(x)) for x in df['Date']]
        df['Date'] = pd.to_datetime(df['Date'], format='%b %d, %Y')
        list_of_df.append(df)

bbattend = pd.concat(list_of_df)
bbattend

我知道这绝对不是最有效的方法，但是可以得到我想要的结果。

Answer 1

您所看到的特定错误可以通过替换行来解决

tempdf['Datediff'] = abs(basedate-tempdf['Date']).days

作者

tempdf['Datediff'] = abs(basedate-tempdf['Date']).dt.days

但是，您的代码仍然会产生不正确的结果。

我认为，执行所需操作的正确方法是在表上执行自联接，合并Team和Opp，然后计算团队之间的日期差比赛日期和赛季中每场Opp的比赛，对在Team比赛之前发生的Opp比赛进行过滤，最后，仅保留与Team比赛最接近的Opp比赛。

这是执行此操作的代码：

# Create column Year to help on self-join
bbattend["Year"] = bbattend.Date.dt.year

# Create merged table
merged = bbattend.merge(
    bbattend[["Date", "Year", "Team", "Net_Wins", "Win_Per"]],
    how="inner",
    left_on=["Year", "Opp"],
    right_on=["Year", "Team"],
    suffixes=('', '_opp')
)
merged["date_diff"] = (merged.Date - merged.Date_opp).dt.days

# Keep only closest game from Opp
def get_closest_date(g):
    row_to_keep = g.date_diff.idxmin()
    return g.loc[row_to_keep, ["Date_opp", "Team_opp", "Net_Wins_opp", "Win_Per_opp", "date_diff"]]

merged.groupby(bbattend.columns.to_list()).apply(get_closest_date).reset_index()

结果表将在上一场比赛之后添加Opp团队的Net_wins和Win_per列。

注意：

由于使用了内部联接，因此该表仅提供了Team和Opp都在原始表的Team列中的游戏。
结果表具有成对的对称行，其中Team和Opp处于切换状态。如果您想摆脱这些，只需过滤Home == 1

最后，这确实推动了我在大熊猫工作中的极限。如果表变大，则自我联接将需要更多的内存。我建议您将此表加载到关系数据库中（sqlite是Python附带的最简单的用法），并使用SQL进行此计算。

Answer 2

这是我最终使用的最终代码：它基于@foglerit的答案

init

我添加了date_diff必须为正的条件，因为我想要在比赛之前发生的同一市场团队的比赛日期。

然后我按date_diff对数据框进行排序，并删除game_id的重复项，以便最终数据框仅具有最小的date_diff。

匹配来自同一数据框的最近日期

2 个答案: