如何使用 pandas 数据帧确定数据捕获？

Question

我正在处理由不完整时间序列组成的每小时监控数据，即我的数据框中将缺少一年（或几年）中的几个小时。

我想确定数据捕获，即一个月、一个季节或一年中出现的值的百分比。

这适用于以下代码（用于为每月重采样编写的演示）- 但是这段代码似乎效率低下，因为我需要创建第二个每小时数据帧并且我需要对两个数据帧进行重采样。

有没有更优雅的解决方案？

import numpy as np
import pandas as pd

# create dummy series
t1 = pd.date_range(start="1997-01-01 05:00", end="1997-04-25 17:00", freq="H")
t2 = pd.date_range(start="1997-06-11 15:00", end="1997-06-15 12:00", freq="H")
t3 = pd.date_range(start="1997-06-18 00:00", end="1997-08-22 23:00", freq="H")

df1 = pd.DataFrame(np.random.randn(len(t1)), index=t1)
df2 = pd.DataFrame(np.random.randn(len(t2)), index=t2)
df3 = pd.DataFrame(np.random.randn(len(t3)), index=t3)

df = pd.concat((df1, df2, df3))

# create time index with complete hourly coverage over entire years
tstart = "%i-01-01 00:00"%(df.index.year[0])
tend = "%i-12-31 23:00"%(df.index.year[-1])
tref = pd.date_range(start=tstart, end=tend, freq="H")
dfref = pd.DataFrame(np.zeros(len(tref)), index=tref)

# count number of values in reference dataframe and actual dataframe
# Example: monthly resampling
cntref = dfref.resample("MS", "count")
cnt = df.resample("MS", "count").reindex(cntref.index).fillna(0)

for i in range(len(cnt.index)):
    print cnt.index[i], cnt.values[i], cntref.values[i], cnt.values[i] / cntref.values[i]

Answer 1

pandas' Timedelta 就可以了：

# Time delta between rows of the df
df['index'] = df.index
pindex = df['index'].shift(1)
delta = df['index'] - pindex

# Any delta > 1H means a missing data period
missing_delta = delta[delta > pd.Timedelta('1H')]

# Sum of missing data periods divided by total period
ratio_missing = missing_delta.sum() / (df.index[-1] - df.index[0])

Answer 2

您可以使用 TimeGrouper。

# Create an hourly index spanning the range of your data.
idx = pd.date_range(pd.Timestamp(df.index[0].strftime('%Y-%m-%d %H:00')), 
                    pd.Timestamp(df.index[-1].strftime('%Y-%m-%d %H:00')), 
                    freq='H')

# Use TimeGrouper to calculate the fraction of observations from `df` that are in the 
# hourly time index.
>>> (df.groupby(pd.TimeGrouper('M')).size() / 
     pd.Series(idx).reindex(idx).groupby(pd.TimeGrouper('M')).size())
1997-01-31    1.000000
1997-02-28    1.000000
1997-03-31    1.000000
1997-04-30    0.825000
1997-05-31    0.000000
1997-06-30    0.563889
1997-07-31    1.000000
1997-08-31    1.000000
Freq: M, dtype: float64

Answer 3

由于没有进一步的建议，看来最初发布的解决方案是最有效的。

Answer 4

不确定性能，但是对于（很长的）一个衬垫，您可以在创建后执行此操作 'df'...它至少具有不需要虚拟数据帧的好处。它应该适用于任何时期的数据输入和重采样。

month_counts = df.resample('H').mean().resample('M').count() / df.resample('H').ffill().fillna(1).resample('M').count()

如何使用 pandas 数据帧确定数据捕获？

How to determine data capture with a pandas dataframe?

python

pandas

resampling