Pandas：使用分组数据创建滞后列

Question

我正在使用以下 DataFrame：

url='https://raw.githubusercontent.com/108michael/ms_thesis/master/crsp.csv'

df=pd.read_csv(url)

df.head()

    feccandid   fec.dyn feccf   cid     date_crsp   catcode     amtsum
0   S8VT00018   NaN     NaN     N00000534   2005    J2100        2.1
1   S8VT00018   NaN     NaN     N00000534   2005    L1200        5.0
2   S8VT00018   NaN     NaN     N00000534   2005    J7300        0.0
4   S8NM00127   0.561   0.382   N00015616   2006    G2900        2.5
5   S8NJ00350   -0.329  NaN     N00000854   2005    LG000        7.5

我想按年份滞后 amtsum 值。下面的代码展示了我是如何得出 amtsum 并提供对我期望结果的性质的洞察：

crsp['amtsum']=crsp[['date_crsp', 'cid', 'catcode', 'amount']].\
groupby(['date_crsp', 'catcode','cid']).amount.transform('sum')
crsp['amtsum'] = crsp['amtsum'] / 1000
crsp.drop(['amount'], axis=1, inplace=True)
crsp.drop_duplicates(inplace=True, keep='first')

我尝试使用以下代码获取滞后值：

crsp['amtsumlag.1']=crsp.groupby(['date_crsp','catcode', 'cid'])['amtsum'].shift(1)

这个returns

    feccandid   fec.dyn     feccf   cid     date_crsp   catcode     amtsum  amtsumlag.1
0   S8VT00018   NaN     NaN     N00000534   2005       J2100    2.1     NaN
1   S8VT00018   NaN     NaN     N00000534   2005       L1200    5.0     NaN
2   S8VT00018   NaN     NaN     N00000534   2005       J7300    0.0     NaN
4   S8NM00127   0.561   0.382   N00015616   2006       G2900    2.5     NaN
5   S8NJ00350   -0.329  NaN     N00000854   2005       LG000    7.5     NaN

由于我的 date_crsp 范围是从 2005 年到 2014 年，我希望 2005 年有 NaN 但 2006 年没有。我也只选择了 2005 年之后的日期并得到了相同的结果。有人知道如何解决这个问题吗？

Answer 1

您需要查看您的 .groupby() 逻辑。

crsp.groupby(['date_crsp','catcode', 'cid']).size().value_counts()

结果

1    444508
2      5281
3       619
4         3

大多数组只有一个值，因此没有太多可移动的值。不出所料，

crsp['amtsumlag.1'] = crsp.groupby(['catcode', 'cid', 'date_crsp'])['amtsum'].shift(1)

结果：

Data columns (total 8 columns):
feccandid             456939 non-null object
feccandcfscore.dyn    445710 non-null float64
feccandcfscore        355887 non-null float64
cid                   456939 non-null object
date_crsp             456939 non-null int64
catcode               456939 non-null object
amtsum                456939 non-null float64
amtsumlag.1           6528 non-null float64

例如，如果您想 .shift() 到 date_crsp，您可能不想在 .groupby() 中使用它 - 每个组将只包含一个年份。人们希望在 .groupby() 中看到独特的组 id 变量，理想情况下是 DateTimeIndex，否则是排序的 DataFrame。所以 .sort_values('date_crsp') 可能是个好主意。

crsp['amtsumlag.1'] = crsp.sort_values('date_crsp').groupby(['catcode', 'cid'])['amtsum'].shift(1)

而是产量：

feccandid             456939 non-null object
feccandcfscore.dyn    445710 non-null float64
feccandcfscore        355887 non-null float64
cid                   456939 non-null object
date_crsp             456939 non-null int64
catcode               456939 non-null object
amtsum                456939 non-null float64
amtsumlag.1           301280 non-null float64
dtypes: float64(4), int64(1), object(3)

如果没有足够的数据来理解是什么识别了您试图落后的群体，那么很难提供更具体的答案。

Answer 2

如果你想将年份移动一个，准备一个新的年份列：

crsp['next_year'] = crsp['date_crsp'] + 1

然后按 ['next_year', 'catcode', 'cid'] 分组而不是 ['date_crsp', 'catcode', 'cid']:

crsp['amtsumlag.1'] = (crsp.groupby(['next_year', 'catcode', 'cid'])['amount']
                       .transform('sum'))

Pandas：使用分组数据创建滞后列

Pandas: creating a lagged column with grouped data

python

pandas

time-series

lag