Pandas：去季节化时间序列数据

Question

我有以下数据框df：

[输出]：

                     VOL
2011-04-01 09:30:00  11297
2011-04-01 09:30:10  6526
2011-04-01 09:30:20  14021
2011-04-01 09:30:30  19472
2011-04-01 09:30:40  7602
...
2011-04-29 15:59:30  79855
2011-04-29 15:59:40  83050
2011-04-29 15:59:50  602014

此df 包含连续 22 天每 10 秒的体积观察。我想通过将每个观察值除以它们各自的 5 分钟时间间隔的平均量来对我的时间序列进行去季节性化。为此，我需要在 22 天内每 5 分钟计算一次成交量的时间序列平均值。所以我会在每 5 分钟 9:30:00 - 9:35:00; 9:35:00 - 9:40:00; 9:40:00 - 9:45:00 ... 直到 16:00:00 得到一个时间序列的平均值。间隔9:30:00 - 9:35:00 的平均值是该时间间隔在所有 22 天内的平均交易量（即，9:30:00 到 9:35:00 之间的平均值是 9:30:00 到 9 之间的总交易量:35:00 on (day 1 + day 2 + day 3 ... day 22) / 22 . 这有意义吗？)。然后，我会将df 中位于9:30:00 - 9:35:00 之间的每个观察值除以该时间间隔的平均值。

Python/Pandas 中是否有一个包可以做到这一点？

Answer 1

编辑答案：

date_times = pd.date_range(datetime.datetime(2011, 4, 1, 9, 30),
                           datetime.datetime(2011, 4, 16, 0, 0),
                           freq='10s')
VOL = np.random.sample(date_times.size) * 10000.0

df = pd.DataFrame(data={'VOL': VOL,'time':date_times}, index=date_times)
df['h'] = df.index.hour
df['m'] = df.index.minute
df1 = df.resample('5Min', how={'VOL': np.mean})
times = pd.to_datetime(df1.index)
df2 = df1.groupby([times.hour,times.minute]).VOL.mean().reset_index()
df2.columns = ['h','m','VOL']
df.merge(df2,on=['h','m'])
df_norm = df.merge(df2,on=['h','m'])
df_norm['norm'] = df_norm['VOL_x']/df_norm['VOL_y']

** 旧答案（暂时保留）

使用重采样功能

df.resample('5Min', how={'VOL': np.mean})

例如：

date_times = pd.date_range(datetime.datetime(2011, 4, 1, 9, 30),
                           datetime.datetime(2011, 4, 16, 0, 0),
                           freq='10s')
VOL = np.random.sample(date_times.size) * 10000.0

df = pd.DataFrame(data={'VOL': VOL}, index=date_times)
df.resample('5Min', how={'VOL': np.mean})