按 ID 分组并完成时间序列 Pandas [重复]答案

【问题标题】：Group by ID and complet time series Pandas [duplicate]按 ID 分组并完成时间序列 Pandas [重复]
【发布时间】：2019-03-12 11:12:41
【问题描述】：

我有一个观察到一个 ID 的 pandas 数据框，我遇到的问题类似于 here 解决的问题。

Timestamp              ID
2014-10-16 15:05:17    123
2014-10-16 14:56:37    148
2014-10-16 14:25:16    123
2014-10-16 14:15:32    123
2014-10-16 13:41:01    123
2014-10-16 12:50:30    148
2014-10-16 12:28:54    123
2014-10-16 12:26:56    123
2014-10-16 12:25:12    123
...
2014-10-08 15:52:49    150
2014-10-08 15:04:50    150
2014-10-08 15:03:48    148
2014-10-08 15:02:27    200
2014-10-08 15:01:56    236
2014-10-08 13:27:28    147
2014-10-08 13:01:08    148
2014-10-08 12:52:06    999
2014-10-08 12:43:27    999
Name: summary, Length: 600

在提到的帖子中，他们展示了如何按 ID 分组以及如何进行计数。使用 df['Week/Year'] = df['Timestamp'].apply(lambda x: "%d/%d" % (x.week, x.year)) 我现在有了这个：

   Timestamp               ID     Week/Year
0  2014-10-16 15:05:17     123    42/2014
1  2014-10-16 14:56:37     150    42/2014
2  2014-10-16 14:25:16     123    42/2014

我的问题是现在我想制作一个时间序列，所以实际上我需要：

Category    Week_42_2014    Week_43_2014    Week_44_2014    
123         7              0              6
150         0              0              2              ...

也就是说，我需要将周作为一列，将类别作为行，并且还要在没有观察的情况下填补周的空白。就我而言，我也需要几天，但我想它真的很相似。

谢谢，

【问题讨论】：

这个问题已被标记为重复，因为我的问题不清楚。我不想只是旋转数据，我还打算用所有 ID 的 0 来填补缺失的几周和没有观察的日子。我改变了原来的解释，让自己更清楚。
我回滚了你的编辑，因为你不应该在你得到答案后更改你的问题。相反，请使用 minimal reproducible example 提出新问题，以免出现这些问题。
它已经在文本中（“并且还填补了没有观察的几周的空白”），我只是让它更清楚。所以，在我看来，问题的实质没有改变。不过好的，下次我会尽量说清楚一点。

标签： python pandas dataframe time-series

【解决方案1】：

你可以使用pd.crosstab来做任务

df['date'] = pd.date_range(start='2014-10-16 15:05:17 ',end='2014-11-08 12:43:27 ',freq='D')
df['value'] = np.repeat([11,22,33,44],len(df)/3)[:len(df)]
df['week'] = df.date.dt.week
df['Year'] = df.date.dt.year



df = pd.crosstab(df.value,[df.week,df.Year])
df.columns = 'Week_' +df.columns.levels[0].astype(str)+"_" +df.columns.levels[1].astype(str)

输出：

    Week_42_2014    Week_43_2014    Week_44_2014    Week_45_2014
value               
11  4   3   0   0
22  0   4   3   0
33  0   0   4   3
44  0   0   0   2

【讨论】：

【解决方案2】：

这是使用groupby 和pivot 的一种方法：

df = df.groupby(['ID', pd.Grouper(key = 'Timestamp', freq = 'W')] ['ID'].count().\
        to_frame().rename(columns = {'ID' : 'counts'}).reset_index()

然后pivot:

df.pivot(index = 'ID', columns = 'Timestamp', values = 'counts')

这当然会将列名作为相应周的第一天返回；您可以通过将df.columns 替换为所需列名的列表来更改这些。

编辑：

如果您已经有一周的专栏，您可以只使用pd.pivot_table 而无需使用groupby。

【讨论】：

【解决方案3】：

你可以使用pd.pivot_table:

res = df.pivot_table(index='ID', columns='Week/Year', aggfunc='count', fill_value=0)

print(res)

          Timestamp        
Week/Year   41/2014 42/2014
ID                         
123               0       7
147               1       0
148               2       2
150               2       0
200               1       0
236               1       0
999               2       0

【讨论】：