python - 在 Pandas DataFrame 中查找连续日期组

Question

我正在尝试从 Pandas DataFrame 中获取具有连续日期的数据 block 。我的 df 如下所示。

      DateAnalyzed           Val
1       2018-03-18      0.470253
2       2018-03-19      0.470253
3       2018-03-20      0.470253
4       2018-09-25      0.467729
5       2018-09-26      0.467729
6       2018-09-27      0.467729

在这个 df 中，我想获取前 3 行，进行一些处理，然后获取最后 3 行并对其进行处理。

我通过应用以下代码计算了 1 个滞后的差异。

df['Delta']=(df['DateAnalyzed'] - df['DateAnalyzed'].shift(1))

但在那之后我无法弄清楚如何在不迭代的情况下获取连续行的组。

Answer 1

您似乎需要两个 bool 掩码:一个用于确定组之间的间隔，另一个用于首先确定组中的日期。

还有一个棘手的部分可以通过示例充实。请注意，下面的 df 包含一个添加的行，该行前后没有任何连续的日期。

>>> df
  DateAnalyzed       Val
1   2018-03-18  0.470253
2   2018-03-19  0.470253
3   2018-03-20  0.470253
4   2017-01-20  0.485949  # < watch out for this
5   2018-09-25  0.467729
6   2018-09-26  0.467729
7   2018-09-27  0.467729

>>> df.dtypes
DateAnalyzed    datetime64[ns]
Val                    float64
dtype: object

下面的答案假定您想要完全忽略 2017-01-20，而不对其进行处理。 (如果您确实要处理此日期，请参阅解决方案的答案结尾。)

首先:

>>> dt = df['DateAnalyzed']
>>> day = pd.Timedelta('1d')
>>> in_block = ((dt - dt.shift(-1)).abs() == day) | (dt.diff() == day)
>>> in_block
1     True
2     True
3     True
4    False
5     True
6     True
7     True
Name: DateAnalyzed, dtype: bool

现在，in_block 会告诉您哪些日期在“连续” block 中，但不会告诉您每个日期属于哪个组。

下一步是自己推导分组:

>>> filt = df.loc[in_block]
>>> breaks = filt['DateAnalyzed'].diff() != day
>>> groups = breaks.cumsum()
>>> groups
1    1
2    1
3    1
5    2
6    2
7    2
Name: DateAnalyzed, dtype: int64

然后您可以使用您选择的操作调用df.groupby(groups)。

>>> for _, frame in filt.groupby(groups):
...     print(frame, end='\n\n')
... 
  DateAnalyzed       Val
1   2018-03-18  0.470253
2   2018-03-19  0.470253
3   2018-03-20  0.470253

  DateAnalyzed       Val
5   2018-09-25  0.467729
6   2018-09-26  0.467729
7   2018-09-27  0.467729

要将其合并回 df，分配给它，隔离日期将为 NaN:

>>> df['groups'] = groups
>>> df
  DateAnalyzed       Val  groups
1   2018-03-18  0.470253     1.0
2   2018-03-19  0.470253     1.0
3   2018-03-20  0.470253     1.0
4   2017-01-20  0.485949     NaN
5   2018-09-25  0.467729     2.0
6   2018-09-26  0.467729     2.0
7   2018-09-27  0.467729     2.0

---

如果您确实想包括“单独”的日期，事情会变得更简单一些:

dt = df['DateAnalyzed']
day = pd.Timedelta('1d')
breaks = dt.diff() != day
groups = breaks.cumsum()