Question

我想使用特定的日期（或月份）作为第一个bin的边缘来重新采样pandas对象。例如，在以下代码段中，我希望我的第一个索引值为2020-02-29，并且很乐意指定start=2或start="2020-02-29"。

>>> dates = pd.date_range("2020-01-29", "2021-07-04")
>>> s = pd.Series(range(len(dates)), index=dates)
>>> s.resample('4M').count()
2020-01-31      3
2020-05-31    121
2020-09-30    122
2021-01-31    123
2021-05-31    120
2021-09-30     34
Freq: 4M, dtype: int64

到目前为止，这是我可以使用的pd.cut和groupby最干净的方法：

>>> rule = "4M"
>>> start = pd.Timestamp("2020-02-29") - pd.tseries.frequencies.to_offset(rule)
>>> end = s.index.max() + pd.tseries.frequencies.to_offset(rule)
>>> bins = pd.date_range(start, end, freq=rule)
>>> gb = s.groupby(pd.cut(s.index, bins)).count()
>>> gb.index = gb.index.categories.right
>>> gb
2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
dtype: int64

Answer 1

您只需使用pd.cut，如下所示：

>>> gb = pd.cut(s.index, bins).value_counts()
>>> gb.index = gb.index.categories.right
>>> gb
2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
dtype: int64

无需使用groupby

Answer 2

我的回答有点不客气，但使用resample并给出了所需的输出。在指定日期之前找到一个垃圾箱长度的日期（例如4个月，或者特别是一个月结束），将其附加到s，然后添加到resample：

rule = '4M'
date = '02-29-2020'

base_date = pd.to_datetime(date) - pd.tseries.frequencies.to_offset(rule)
s.loc[base_date] = np.nan
output = s.resample(rule=rule, label='right',).count()
output=output[output.index >= date]

结果：

2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
Freq: 4M, dtype: int64

我添加了output=output[output.index >= date] b / c，否则您将获得另一个空箱：

2019-10-31      0
2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
Freq: 4M, dtype: int64

Answer 3

处理月份间隔的另一种方法是将datetime索引转换为年份和月份中的整数，使用规则删除定义的start_date和一些取模值。分组使用。

rule = '4M'
start = "2020-02-29"

# change types of value
d = pd.Timestamp(start)
nb = int(rule[:-1])

gr = s.groupby(d+(1+((s.index.year*12+s.index.month) #convert datetime index to int
                      -(d.year*12+d.month+1))//nb) # remove start and modulo rule
                  *pd.tseries.frequencies.to_offset(rule) # get rule freq
              ).count()
print (gr)
2020-02-29     32
2020-06-30    121
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
dtype: int64

现在与您的方法相比，假设您使用相同的规则（4M）定义了您不希望在前X个月之内通过2020-07-31之类的规则定义的日期。通过这种方法，它可以提供：

2020-03-31     63 #you get this interval
2020-07-31    121
2020-11-30    122
2021-03-31    121
2021-07-31     95
dtype: int64

使用您的方法，您会得到：

2020-07-31    121  #you loose info from before the 2020-03-31
2020-11-30    122
2021-03-31    121
2021-07-31     95
dtype: int64

我知道您在问题中说过，您定义第一个日期，但是使用此方法，您可以定义任何日期，只要规则以月为单位

Answer 4

这不是原始答案，而是将@ALollz（评论）和@MhdMedf（答案）的改进合并为一个答案，以使其更加清晰，因为它们表示兼容的改进。另请参阅下面的时序说明。

rule = "4M"
start = pd.Timestamp("2020-02-29") - pd.tseries.frequencies.to_offset(rule)
end = s.index.max() + pd.tseries.frequencies.to_offset(rule)
bins = pd.date_range(start, end, freq=rule)
gb = pd.cut(s.index, bins, labels=bins[1:]).value_counts()

（上面的最后一行替换了OP中答案的最后两行。前四行未更改，但为清楚起见在此包括。）

结果：

2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4

速度/定时：考虑到只有524行（我的机器上为6ms），OP中的代码花费了不小的时间。使用OP数据，这两项改进可以使速度提高大约3倍。当然，在更大的系列/数据帧上，时序结果可能与此处看到的结果大不相同。

熊猫以开始日期重新采样

4 个答案: