Добавить недостающие даты в фреймворк pandas

Мои данные могут иметь несколько событий на заданную дату или НИКАКИХ событий на дату. Я беру эти события, подсчитываю по дате и рисую их. Однако, когда я их рисую, две мои серии не всегда совпадают.

idx = pd.date_range(df['simpleDate'].min(), df['simpleDate'].max())
s = df.groupby(['simpleDate']).size()

В приведенном выше коде idx становится диапазоном, скажем, 30 дат. 09-01-2013 - 30.09.2013 Однако в S может быть только 25 или 26 дней, потому что для данной даты не произошло никаких событий. Затем я получаю AssertionError, поскольку размеры не совпадают, когда я пытаюсь построить:

fig, ax = plt.subplots()    
ax.bar(idx.to_pydatetime(), s, color='green')

Как правильно с этим справиться? Хочу ли я удалить из IDX даты без значений или (что я бы предпочел) добавить в серию недостающую дату со счетом 0. Я бы предпочел иметь полный график 30 дней с 0 значениями. Если этот подход правильный, есть ли предложения, как начать? Мне нужна какая-то динамическая reindexфункция?

Вот фрагмент S ( df.groupby(['simpleDate']).size() ), нет записей для 04 и 05.

09-02-2013     2
09-03-2013    10
09-06-2013     5
09-07-2013     1

Вы можете использовать Series.reindex:

import pandas as pd

idx = pd.date_range('09-01-2013', '09-30-2013')

s = pd.Series({'09-02-2013': 2,
               '09-03-2013': 10,
               '09-06-2013': 5,
               '09-07-2013': 1})
s.index = pd.DatetimeIndex(s.index)

s = s.reindex(idx, fill_value=0)
print(s)

доходность

2013-09-01     0
2013-09-02     2
2013-09-03    10
2013-09-04     0
2013-09-05     0
2013-09-06     5
2013-09-07     1
2013-09-08     0
...

Более быстрое решение - использовать .asfreq(). Это не требует создания нового индекса для вызова .reindex().

# "broken" (staggered) dates
dates = pd.Index([pd.Timestamp('2012-05-01'), 
                  pd.Timestamp('2012-05-04'), 
                  pd.Timestamp('2012-05-06')])
s = pd.Series([1, 2, 3], dates)

print(s.asfreq('D'))
2012-05-01    1.0
2012-05-02    NaN
2012-05-03    NaN
2012-05-04    2.0
2012-05-05    NaN
2012-05-06    3.0
Freq: D, dtype: float64

Одна из проблем заключается в том, что reindexпри наличии повторяющихся значений произойдет сбой. Допустим, мы работаем с данными с отметками времени, которые мы хотим проиндексировать по дате:

df = pd.DataFrame({
    'timestamps': pd.to_datetime(
        ['2016-11-15 1:00','2016-11-16 2:00','2016-11-16 3:00','2016-11-18 4:00']),
    'values':['a','b','c','d']})
df.index = pd.DatetimeIndex(df['timestamps']).floor('D')
df

доходность

            timestamps             values
2016-11-15  "2016-11-15 01:00:00"  a
2016-11-16  "2016-11-16 02:00:00"  b
2016-11-16  "2016-11-16 03:00:00"  c
2016-11-18  "2016-11-18 04:00:00"  d

Из-за повторяющейся 2016-11-16даты попытка переиндексации:

all_days = pd.date_range(df.index.min(), df.index.max(), freq='D')
df.reindex(all_days)

не работает с:

...
ValueError: cannot reindex from a duplicate axis

(это означает, что в индексе есть дубликаты, а не то, что он сам по себе дубликат)

Вместо этого мы можем использовать .locдля поиска записей для всех дат в диапазоне:

df.loc[all_days]

доходность

            timestamps             values
2016-11-15  "2016-11-15 01:00:00"  a
2016-11-16  "2016-11-16 02:00:00"  b
2016-11-16  "2016-11-16 03:00:00"  c
2016-11-17  NaN                    NaN
2016-11-18  "2016-11-18 04:00:00"  d

fillna при необходимости можно использовать для ряда столбцов для заполнения пробелов.

Альтернативный подход resample, который может обрабатывать повторяющиеся даты в дополнение к отсутствующим датам. Например:

df.resample('D').mean()

resample- это отложенная операция, groupbyпоэтому вам нужно выполнить другую операцию. В этом случае meanработает хорошо, но вы также можете использовать многие другие методы панд, такие как max, sumи т. Д.

Вот исходные данные, но с дополнительной записью для «2013-09-03»:

             val
date           
2013-09-02     2
2013-09-03    10
2013-09-03    20    <- duplicate date added to OP's data
2013-09-06     5
2013-09-07     1

И вот результаты:

             val
date            
2013-09-02   2.0
2013-09-03  15.0    <- mean of original values for 2013-09-03
2013-09-04   NaN    <- NaN b/c date not present in orig
2013-09-05   NaN    <- NaN b/c date not present in orig
2013-09-06   5.0
2013-09-07   1.0

Я оставил недостающие даты как NaN, чтобы прояснить, как это работает, но вы можете добавить, fillna(0)чтобы заменить NaN нулями по запросу OP, или, альтернативно, использовать что-то вроде interpolate()заполнения ненулевыми значениями на основе соседних строк.

Вот хороший метод для заполнения недостающих дат во фрейме данных, на ваш выбор fill_value, days_backдля заполнения и порядка сортировки ( date_order) для сортировки фрейма данных:

def fill_in_missing_dates(df, date_col_name = 'date',date_order = 'asc', fill_value = 0, days_back = 30):

    df.set_index(date_col_name,drop=True,inplace=True)
    df.index = pd.DatetimeIndex(df.index)
    d = datetime.now().date()
    d2 = d - timedelta(days = days_back)
    idx = pd.date_range(d2, d, freq = "D")
    df = df.reindex(idx,fill_value=fill_value)
    df[date_col_name] = pd.DatetimeIndex(df.index)

    return df