Question

您好我有以下格式的数据集：

复制数据的代码：

import pandas as pd
d1 = {'Year': 
['2008','2008','2008','2008','2008','2008','2008','2008','2008','2008'],
  'Month':['1','1','2','6','7','8','8','11','12','12'],
'Day':['6','22','6','18','3','10','14','6','16','24'],
'Subject_A':['','30','','','','35','','','',''],
'Subject_B':['','','','','','','','40','',''],
'Subject_C': ['','','','','','65','','50','','']}
d1 = pd.DataFrame(d1)

我将数字输入为字符串以显示空白单元格

前三列表示日期（年，月和日），以下列表示个人（我的实际数据文件包含约300个此类行和约1000个主题。我在此处提供了数据的子集）。

如果列值是指快速消费品产品的支出。我想做的是以下几点：

第1部分（开始和结束点）

a）对于每个人，找到第一个观察并复制至少前六个月的第一个观察值。例如：主题C的第一次观察发生在2008年8月10日。在这种情况下，我希望2008年6月10日的所有行等于主题C的65（大约2/12/2008）是截止日期。因此，对于Subject_C的列空白，我们将第3个单元格从顶部离开。

b）找到最后一次观察并重复最后一次观察，接下来的3个月。例如，对于Subject_A，我们重复35次（直到2008年11月6日）。

请参阅下图，了解带有解决方案的突出显示的单元格。

第二部分 - （两者之间的行）

接下来我想做两件事（我需要分别做以下三个步骤，而不是一次完成）：

对于像Subject_A这样的人，找到两个一个接一个的观察结果（30和35）。

i）使用两次观察的平均值。在这种情况下，我们在四行中将有32.5而不关心时间。

例如：

ii）找出两次观察之间的总时间并取平均时间。在时间段的前半部分分配第一个值，而在下半部分分配第二个值。例如 - 对于主题1，在01/22/208和08/10/2008之间的总天数是201天。对于前201/2 = 100.5天，将值30分配给Subject_A，并将剩余值赋值为35.在这种情况下，Subject_A和Subject_C的列将如下所示：

最终数据集将使用（a），（b）＆amp; （i）或（a），（b）＆amp; （ⅱ）

最终数据I [使用a，b和i]

最终数据II [使用a，b和ii]

我将不胜感激任何帮助。提前致谢。如果步骤不清楚，请告诉我。

跟进问题和问题

感谢@Juan的初步答复。这是我的后续问题。假设Subject_A有超过2个观察值（下面的示例数据的代码）。我们能否扩展此代码以包含2个以上的观察结果？

import pandas as pd
d1 = {'Year': 
['2008','2008','2008','2008','2008','2008','2008','2008','2008','2008'],
  'Month':['1','1','2','6','7','8','8','11','12','12'],
'Day':['6','22','6','18','3','10','14','6','16','24'],
'Subject_A':['','30','','45','','35','','','',''],
'Subject_B':['','','','','','','','40','',''],
'Subject_C': ['','','','','','65','','50','','']}
d1 = pd.DataFrame(d1)

问题对于当前的代码，我发现了第二部分（ii）的问题。这是我得到的输出：

这实际上是在正确的轨道上。 35以上的两个单元格似乎没有更新。我的结局有什么问题吗？同样的问题也是如此，我们能够将它扩展到> 2次观察的情况吗？

Answer 1

这里是主题A的代码解决方案。应该与其他主题一起使用：

d1 = {'Year': 
['2008','2008','2008','2008','2008','2008','2008','2008','2008','2008'],
  'Month':['1','1','2','6','7','8','8','11','12','12'],
'Day':['6','22','6','18','3','10','14','6','16','24'],
'Subject_A':['','30','','45','','35','','','',''],
'Subject_B':['','','','','','','','40','',''],
'Subject_C': ['','','','','','65','','50','','']}
d1 = pd.DataFrame(d1)
d1 = pd.DataFrame(d1)
## Create a variable named date
d1['date']= pd.to_datetime(d1['Year']+'/'+d1['Month']+'/'+d1['Day'])
# convert to float, to calculate mean
d1['Subject_A'] = d1['Subject_A'].replace('',np.nan).astype(float)
# index of the not null rows
subja = d1['Subject_A'].notnull()

### max and min index row with notnull value
max_id_subja = d1.loc[subja,'date'].idxmax()
min_id_subja = d1.loc[subja,'date'].idxmin()
### max and min date for Sub A with notnull value
max_date_subja = d1.loc[subja,'date'].max()
min_date_subja = d1.loc[subja,'date'].min()
### value for max and min date
max_val_subja = d1.loc[max_id_subja,'Subject_A']
min_val_subja = d1.loc[min_id_subja,'Subject_A']
#### Cutoffs
min_cutoff = min_date_subja-pd.Timedelta(6, unit='M')
max_cutoff = max_date_subja+pd.Timedelta(3, unit='M')

## PART I.a
d1.loc[(d1['date']<min_date_subja) & (d1['date']>min_cutoff),'Subject_A'] = min_val_subja
## PART I.b
d1.loc[(d1['date']>max_date_subja) & (d1['date']<max_cutoff),'Subject_A'] = max_val_subja
## PART II
d1_2i = d1.copy()
d1_2ii = d1.copy()

lower_date = min_date_subja
lower_val = min_val_subja.copy()
next_dates_index = d1_2i.loc[(d1['date']>min_date_subja) & subja].index
for N in next_dates_index:
    next_date = d1_2i.loc[N,'date']
    next_val =  d1_2i.loc[N,'Subject_A']
    #PART II.i
    d1_2i.loc[(d1['date']>lower_date) & (d1['date']<next_date),'Subject_A'] = np.mean([lower_val,next_val])
    #PART II.ii
    mean_time_a = pd.Timedelta((next_date-lower_date).days/2, unit='d')
    d1_2ii.loc[(d1['date']>lower_date) & (d1['date']<=lower_date+mean_time_a),'Subject_A'] = lower_val
    d1_2ii.loc[(d1['date']>lower_date+mean_time_a) & (d1['date']<=next_date),'Subject_A'] = next_val
    lower_date = next_date
    lower_val = next_val
print(d1_2i)
print(d1_2ii)

Python数据操作：使用日期

1 个答案: