合并时间序列数据，以便将列值拟合到字典中

Question

我有两个时间序列数据框，它们在相同的时间内跟踪相同的某些国家，但它们为每次观察跟踪的变量代表了截然不同的事物。比如第一个数据框是这样的：

跟踪变量“A”：

Country	01/01/2020	01/02/2020	01/03/2020	...	04/25/2021
AFG	0	0	1	...	5000
CHN	0	20	50	...	0
USA	1	2	4	...	10000

第二个数据框跟踪不同的变量“B”，如下所示：

Country	01/01/2020	01/02/2020	01/03/2020	...	04/25/2021
AFG	10	10	0	...	0
CHN	1	1	1	...	20
USA	0	7	10	...	543

我想合并这两个数据框，以便生成以下内容（{} 表示内部字典）：

Country	01/01/2020	01/02/2020	01/03/2020	...	04/25/2021
AFG	(A: 0, B: 10)	(A: 0, B: 10)	(A: 1, B: 0)	...	(A: 5000, B: 0)
CHN	(A: 0, B: 1)	(A: 20, B: 1)	(A: 50, B: 1)	...	(A: 0, B: 20)
USA	(A: 1, B: 0)	(A: 2, B: 7)	(A: 4, B: 10)	...	(A: 10000, B: 543)

我在 Pandas 中是否缺少命令，或者是否有某种方法可以执行此操作？谢谢你能给我的任何帮助。

Answer 1

代码

pd.concat([df1, df2]).groupby('Country').agg(list).applymap(
lambda x: dict(zip(['A','B'], [*x]))).reset_index()

输出

    Country 01/01/2020          01/02/2020  01/03/2020  04/25/2021
0   AFG    {'A': 0, 'B': 10}    {'A': 0, 'B': 10}   {'A': 1, 'B': 0}    {'A': 5000, 'B': 0}
1   CHN    {'A': 0, 'B': 1}     {'A': 20, 'B': 1}   {'A': 50, 'B': 1}   {'A': 0, 'B': 20}
2   USA    {'A': 1, 'B': 0}     {'A': 2, 'B': 7}    {'A': 4, 'B': 10}   {'A': 10000, 'B': 543}

说明

我们首先使用pd.concat 连接两个dfs。

然后我们使用groupby按国家/地区对生成的df进行分组。

在分组 df 上使用agg 聚合以创建基于Country 的项目列表。

然后我们映射列表项以使用applymap 创建一个以A and B 作为键的dict