Question

根据期限，我们在不同国家（例如，中国，美国，印度等）的苹果价格有一些数据框，如下所示。以中国为例：

tenors = pd.Series(['1W', '1M', '1Y'])
apples_china = pd.Series([5.1, 6.2, 7.1])
days = pd.Series([7, 30, 365])
data = {'tenors': tenors, 
   'apples_china':  apples_china,
   'days' : days}
apples_china = pd.DataFrame(data)

然后我们会有相同的美国（apples_usa），欧洲（apples_eu）等。

然后我们有一个更大的投资组合＆＃39;数据框看起来像：

country = pd.Series(['china', 'usa', 'europe',' china', 'china', 'india'])
days = pd.Series([12, 45, 99, 101, 102, 300 ])
portfolio = {'country': country, 
   'days' : days}
df_portfolio = pd.DataFrame(portfolio)

我想添加一栏：

df_portfolio['price']

查看df_portfolio [＆＃39; country＆＃39;]中的值，如果是＆＃39; china＆＃39;例如，获取天数（行[0]中的12天）并在apples_china数据帧内线性插值。因此，它将在行[0]上的值介于5.1和6.2之间，行[3]上的值介于6.2和7.1之间，依此类推。

对于行[1]，它将查看类似的apples_usa数据框等。

我尝试的是：

from scipy.interpolate import interp1d
test = interp1d(apples_china['apples_china'], apples_china['days']) #arrays Y and X 
df_portfolio['price'] = np.where(df_portfolio['country']=='china', test(df_portfolio['days']), 0)

但它返回了ValueError的x范围。

Answer 1

有两种选择的解决方案适合numpy.where治疗。

但是，对于涉及许多国家/地区的可扩展解决方案，字典可能更有用。下面我列出了必要的步骤：

第1步

根据您所在国家/地区的数据创建字典映射国家/地区。

country_map = {'china': apples_china.sort_values('days')}

请注意，我们需要确保您的国家/地区数据框按days排序，以确保步骤2中的np.interp按要求运行。

第2步

定义一个自定义函数，它从您的投资组合数据框中获取一行数据，并从步骤1中获取映射字典，然后使用np.interp执行映射。您可以使用try / except子句来捕获字典中不存在某个国家/地区的实例。

def interpolator(row, mapper):
    days = row['days']
    country = row['country']
    try:
        return np.interp(days, mapper[country]['days'].values,
                         mapper[country]['apples_china'].values)
    except KeyError:
        return np.nan

第3步

使用pd.DataFrame.apply逐行应用第2步中的功能。

df_portfolio['price'] = df_portfolio.apply(interpolator, mapper=country_map, axis=1)

<强>结果

print(df_portfolio)

  country  days     price
0   china    12  5.339130
1     usa    45       NaN
2  europe    99       NaN
3   china   101  6.390746
4   china   102  6.393433
5   india   300       NaN

Pandas在每行给定值的不同数据帧之间进行线性插值

1 个答案: