在 Pandas 中对周期序列值进行分组

Question

从Reading CSV file in Pandas with historical dates 开始，我在表单中有一些 CSV 数据：

Object,Earliest Date
Object1,01/01/2000
Object2,01/01/1760
Object3,01/01/1520
...

我现在读到了 Pandas（使用 Period 来处理历史日期）并创建了一个系列。我试图将这个系列分成几十年，但在将 Period 值转换为 groupby 期望的形式时磕磕绊绊。到目前为止，我已经尝试过（其中 s 是从_csv 创建的系列）：

def dt_parse(s):
  try:
    d,m,y = s.split('/')
    return pd.Period(year=int(y), month=int(m), day=int(d), freq='D')
  except:
    return pd.NaT
s2 = s['Earliest Date'].apply(dt_parse) #Create Period values
pi = pd.PeriodIndex(s2)
decades = pi.groupby(pd.Grouper(freq="120M")).count()

失败：

 TypeError: Argument 'labels' has incorrect type (expected numpy.ndarray, got TimeGrouper)

尝试将其作为一个系列进行分组：

 decades = s2.groupby(pd.Grouper(freq="120M")).count()

失败：

 TypeError: Only valid with DatetimeIndex, TimedeltaIndex or PeriodIndex, but got an instance of 'Index'

尝试将其作为 DataFrame 分组：

df = pd.DataFrame(s2)
decades = df.groupby(pd.Grouper(freq="120M", key='Earliest Date')).size()

失败：

AttributeError: 'Index' object has no attribute 'to_timestamp'

不知道还能怎么做？！

Answer 1

错误消息和 pandas 文档将成为您的朋友。

我不知道您的日期列是否包含严格唯一的日期。如果是，那很简单，只需将其用作索引即可，您可以使用pd.Grouper。否则，定义你自己的分组函数：

def grouper(ind):
    y = df.loc[ind]['Earliest Date'].year 
    return y - (y % 10)

# I'm assuming that df is the dataframe from pd.read_csv("/path/to/csv")
# and that there's a column named "earliest date" 
# that is a Period or Datetime or something with a year attribute
gb = df.groupby(by=grouper)
print(gb.size())