我有一个犯罪数据集，其中每一行都是记录的犯罪，相关列是日期、犯罪类型、地区。
这是一个一周内只有 2 个地区和 2 种犯罪类型的示例：
我想将其扩展为可用于运行回归的数据框。在这个简单的示例中，我需要列是日期、地区、谋杀、盗窃。每个地区在该范围内的每个日期都有不同的行，犯罪类型类别将是该地区在该日期犯下的犯罪数量
这是最终的数据框：
我需要一个时间序列，其中#Rows = #Districts * #Dates，并且每种犯罪类型都有一个列
有没有什么好方法可以在不循环数据帧的情况下做到这一点？
我可以像这样创建日期列表：
datelist = pd.date_range(start='01-01-2011', end='12-31-2015', freq='1d')
但是如何将它与我的其他数据框合并并创建上述列？
【问题讨论】：
标签： python dataframe time-series regression
我将尝试在这里回答我自己的问题。我想我想通了，但如果对我的方法有任何意见，我将不胜感激。我能够在不循环的情况下做到这一点，而是使用 pivot_table 和合并。
导入包：
import pandas as pd
from datetime import datetime
import numpy as np
导入犯罪数据集：
crime_df = pd.read_csv("/Users/howard/Crime_Data.csv")
创建范围内的日期列表：
datelist = pd.date_range(start='01-01-2011', end='12-31-2015', freq='1d')
为此日期列表的长度和唯一地区列表的长度创建变量：
nd = len(datelist)
nu = len(df_crime['District'].unique())
创建结合日期和地区的数据框：
date_df = pd.DataFrame({'District':df_crime['District'].unique().tolist()*nd, 'Date':np.repeat(datelist,nu)})
现在我们转向我们的犯罪数据集。
我添加了一列 1，以便在下一步中求和：
crime_df["ones"] = 1
接下来，我们获取我们的犯罪数据并使用 Pandas pivot_table 将其以广泛的形式呈现：
crime_df = pd.pivot_table(crime_df,index=["District","Date"], columns="Crime Type", aggfunc="sum")
这给了我堆叠级别的列和一个不必要的索引，所以我用以下内容删除了它们：
crime_df.columns.droplevel()
crime_df.reset_index(inplace=True)
最后一步是合并两个数据集。我想将 date_df 放在首位并合并，因为它包括范围内的所有日期以及每个日期包含的所有地区。因此，这使用了左合并。
final_df = pd.merge(date_df, crime_df, on=["Date", "District"],how="left")
现在我可以用 0 填充 NaN 来完成
final_df.fillna(0, inplace=True)
我们的最终数据框采用正确的形式进行时间序列分析 - 回归、绘图等。如果日期列是索引，我使用的 matplotlib.pyplot 中的许多图更容易制作。这可以这样做：
df_final = df_final.set_index(['Date'])
而已！希望这对其他人有所帮助，并请评论任何改进的方法。
【讨论】：