pandas中時序數(shù)據(jù)分組運算的示例分析

1 簡介

我們在使用pandas分析處理時間序列數(shù)據(jù)時，經(jīng)常需要對原始時間粒度下的數(shù)據(jù)，按照不同的時間粒度進行分組聚合運算，譬如基于每個交易日的股票收盤價，計算每個月的最低和最高收盤價。

而在pandas中，針對不同的應(yīng)用場景，我們可以使用resample()、groupby()以及Grouper()來非常高效快捷地完成此類任務(wù)。

   

2 在pandas中進行時間分組聚合

在pandas中根據(jù)具體任務(wù)場景的不同，對時間序列進行分組聚合可通過以下兩類方式實現(xiàn)：

2.1 利用resample()對時序數(shù)據(jù)進行分組聚合

resample原始的意思是「重采樣」，可分為「上采樣」與「下采樣」，而我們通常情況下使用的都是「下采樣」，也就是從高頻的數(shù)據(jù)中按照一定規(guī)則計算出更低頻的數(shù)據(jù)，就像我們一開始說的對每日數(shù)據(jù)按月匯總那樣。

如果你熟悉pandas中的groupby()分組運算，那么你就可以很快地理解resample()的使用方式，它本質(zhì)上就是在對時間序列數(shù)據(jù)進行“分組”，最基礎(chǔ)的參數(shù)為rule，用于設(shè)置按照何種方式進行重采樣，就像下面的例子那樣：

import pandas as pd

# 記錄了2013-02-08到2018-02-07之間每個交易日蘋果公司的股價
AAPL = pd.read_csv('AAPL.csv', parse_dates=['date'])

# 以月為統(tǒng)計窗口計算每月股票最高收盤價
(
    AAPL
    .set_index('date') # 設(shè)置date為index
    .resample('M') # 以月為單位
    .agg({
        'close': ['max', 'min']
    })
)

   

可以看到，在上面的例子中，我們對index為日期時間類型的DataFrame應(yīng)用resample()方法，傳入的參數(shù)'M'是resample第一個位置上的參數(shù)rule，用于確定時間窗口的規(guī)則，譬如這里的字符串'M'就代表「月且聚合結(jié)果中顯示對應(yīng)月的最后一天」，常用的固化的時間窗口規(guī)則如下表所示：

且這些規(guī)則都可以在前面添加數(shù)字實現(xiàn)倍數(shù)效果：

# 以6個月為統(tǒng)計窗口計算每月股票平均收盤價且顯示為當月第一天
(
    AAPL
    .set_index('date') # 設(shè)置date為index
    .resample('6MS') # 以6個月為單位
    .agg({
        'close': 'mean'
    })
)

   

且resample()非常貼心之處在于它會自動幫你對齊到規(guī)整的時間單位上，譬如我們這里只有交易日才會有記錄，如果我們設(shè)置的時間單位下無對應(yīng)記錄，也會為你保留帶有缺失值記錄的時間點：

(
    AAPL
    .set_index('date') # 設(shè)置date為index
    .resample('1D') # 以1日為單位
    .agg({
        'close': 'mean'
    })
)

   

而通過參數(shù)closed我們可以為細粒度的時間單位設(shè)置區(qū)間閉合方式，譬如我們以2日為單位，將closed設(shè)置為'right'時，從第一行記錄開始計算所落入的時間窗口時，其對應(yīng)為時間窗口的右邊界，從而影響后續(xù)所有時間單元的劃分方式：

(
    AAPL
    .set_index('date') # 設(shè)置date為index
    .resample('2D', closed='right')
    .agg({
        'close': 'mean'
    })
)

   

而即使你的數(shù)據(jù)框index不是日期時間類型，也可以使用參數(shù)on來傳入日期時間列名實現(xiàn)同樣的效果。

2.2 利用groupby()+Grouper()實現(xiàn)混合分組

有些情況下，我們不僅僅需要利用時間類型列來分組，也可能需要包含時間類型在內(nèi)的多個列共同進行分組，這種情況下我們就可以使用到Grouper()。

它通過參數(shù)freq傳入等價于resample()中rule的參數(shù)，并利用參數(shù)key指定對應(yīng)的時間類型列名稱，但是可以幫助我們創(chuàng)建分組規(guī)則后傳入groupby()中：

# 分別對蘋果與微軟每月平均收盤價進行統(tǒng)計
(
    pd
    .read_csv('AAPL&MSFT.csv', parse_dates=['date'])
    .groupby(['Name', pd.Grouper(freq='MS', key='date')])
    .agg({
        'close': 'mean'
    })
)

   

且在此種混合分組模式下，我們可以非常方便的配合apply、transform等操作，這里就不再贅述。