根据 2 个不同的范围生成日期

Question

我有一个带有列的数据框 df：

Date_1  count
01/09/2019  5
02/09/2019  4
03/09/2019  5
04/09/2019  6
05/09/2019  7
06/09/2019  8
07/09/2019  10
08/09/2019  9
09/09/2019  11
10/09/2019  12
11/09/2019  13
12/09/2019  14
13/09/2019  15
14/09/2019  18
15/09/2019  17
16/09/2019  18
17/09/2019  19
18/09/2019  20
19/09/2019  21
20/09/2019  22
21/09/2019  23
22/09/2019  24
23/09/2019  25
24/09/2019  26
25/09/2019  27
26/09/2019  28
27/09/2019  29
28/09/2019  30
29/09/2019  30
30/09/2019  30

我想生成具有 3 列 date_1、count、date_2 的 df2，这样：

date_2 是根据计数生成的。如果 date_1 的计数为 5，则数据框中将有 5 个条目。 date_2 也有以下约束：

1. 70% 的值在（date_1 - 10 到 date_1 - 2）的范围内
2. 剩余值在 (date_1 - 30 到 date_1 - 11) 范围内

date_1 和 date_2 中的每一个都应该是唯一的元组，即没有对 (date_1,date_2) 重复。

例如：

对于第一行： date_1 的 4 个值应在 range1 = (01/09/2019 - 10 = 22/08/2019 至 01/09/2019 - 30/08/2019) 的范围内，其余 1 个值应在 range 范围内2（01/09/2019 - 30 = 02/08/2019 至 01/09/2019 - 21/08/2019）。

对于 count = 30 的数据框中的值，我们不需要进行此更改，因为我们需要唯一值，并且由于 date_2 可以采用的总值是 30，因此我们必须合并所有值。 （在那种情况下，我们不能选择 70% 和 30%）

我无法理解如何根据这些因素特别设计该数据框。因此，对于计数 >11，它应该具有 1 范围内的所有值（8 个值）。在此之前，它是范围 1 和范围 2 中的 70% 和 30% 划分。

谁能帮我定义这些约束。

谢谢

Answer 1

要定义的第一个函数是：

def getSample(rng, n):
    siz = rng.size
    return rng.sample(n = n, replace = n > siz)

它从 rng 返回一个 n 个元素的样本。 如果可能（所需的元素数量小于或等于 到 rng 中的元素数量）样本没有重复。

第二个功能是：

def getDates(dat, n):
    td1d = pd.Timedelta(1, 'D')
    # Date ranges
    rng1 = pd.Series(pd.date_range(dat - td1d * 30, dat - td1d * 11, freq='D'))
    rng2 = pd.Series(pd.date_range(dat - td1d * 10, dat - td1d * 2, freq='D'))
    # Numbers of dates
    n2 = int(round(n * 0.7))
    n1 = n - n2
    return pd.concat([getSample(rng1, n1), getSample(rng2, n2)])\
        .sort_values().reset_index(drop=True)

它：

• 同时生成日期范围 [d-30:d-11] 和 [d-10:d-2]。
• 计算要从每个范围中获取的两个元素的数量。
• 从两个范围（所需大小）中获取样本，将它们连接起来， 排序并返回结果。

最后一个函数，为当前行生成“复制行”，是：

def repl(row):
    dat = row.Date_1
    cnt = row['count']
    return pd.DataFrame({'date_1': dat, 'count': cnt, 'date_2': getDates(dat, cnt)})

现在要做的最后一件事是应用此函数并连接结果：

df2 = pd.concat(df1.sort_values('Date_1').\
    apply(repl, axis=1).tolist(), ignore_index=True)

注意：如果 [d-10:d-2] 范围内的日期数超过 可用日期数，这些日期有重复。

从 21:48:25Z 开始编辑以下评论

你的构想失败了：举个例子2019-09-28 行（需要 30 行）。 从 [d-10 : d-2] 范围内应该取 21 个日期。

但是因为那里只有 9 个日期，那么：

• 我们只能从这个范围内取 9，
• 所以剩余的 21 日期应该取自第二个范围 （[d-30 : d-11]）。

但是这个范围只包含20个日期，所以无法取 21 日期从那里开始（没有重复）。

结论：你的要求被夸大了。

再说一句：

实际上这个任务是不可能的事实可以从表格中看出 以下观察：

日期范围 [d-30 : d-2] 包含 29 个日期。 所以不要指望从这个池中可以采取 30 个不同的日期，无论两个子范围之间的划分如何。