Pandas数据重采样技巧全解析

想要玩转Pandas时间序列数据？重采样是关键！本文将深入详解Pandas中强大的`resample()`函数，助你轻松改变时间序列数据的频率。无论是升采样（增加频率）还是降采样（降低频率），`resample()`都能灵活应对。文章将从数据准备、频率规则设置、聚合函数应用、缺失值处理等方面，结合实际代码示例，手把手教你掌握重采样的核心技巧。此外，还将探讨`closed`和`label`参数在降采样中的作用，以及升采样时避免引入过多缺失值的策略，更有针对不规则时间序列数据的处理方法，如`asfreq()`、`reindex()`和`fillna()`等，助你轻松应对各种复杂场景，提升数据分析效率。

Pandas中重采样的核心是resample()函数，用于改变时间序列数据的频率。1. 确保数据是时间序列数据，索引为DatetimeIndex类型；2. 使用resample()方法并传入新的频率规则，如'D'、'W'、'M'等；3. 指定聚合函数如mean()、sum()等计算每个周期内的值；4. 升采样时使用ffill()、bfill()或interpolate()处理缺失值；5. 可通过closed和label参数控制降采样区间闭合方式和标签；6. 处理不规则数据时，可使用asfreq()、reindex()或fillna()方法。

重采样在Pandas中，就是改变时间序列数据的频率。可以升采样（增加频率，比如从月到天）或者降采样（降低频率，比如从天到月）。核心是resample()函数。

解决方案

Pandas的resample()函数提供了一种灵活的方式来改变时间序列数据的频率。它结合了分组和聚合的功能，使得时间序列数据的处理变得非常方便。以下是使用resample()的基本步骤和一些常见用例：

1. 确保数据是时间序列数据：首先，确保你的Pandas DataFrame的索引是DatetimeIndex类型。如果不是，可以使用pd.to_datetime()函数转换。

   

   import pandas as pd
   import numpy as np
   
   # 创建一个示例DataFrame
   dates = pd.date_range('2023-01-01', periods=100, freq='D')
   data = np.random.randn(100)
   df = pd.DataFrame({'value': data}, index=dates)
   
   # 确保索引是DatetimeIndex
   # df.index = pd.to_datetime(df.index) # 如果需要转换

2. 使用resample()方法：在DataFrame上调用resample()方法，并传入新的频率规则。频率规则可以是字符串，如'D'（天）、'W'（周）、'M'（月）、'Q'（季度）、'Y'（年）等。

   # 降采样到每周，计算均值
   weekly_mean = df.resample('W').mean()
   print(weekly_mean.head())
   
   # 升采样到每小时，用前一个值填充缺失值
   hourly_filled = df.resample('H').ffill()
   print(hourly_filled.head())

3. 指定聚合函数：resample()方法返回一个Resampler对象，你需要指定一个聚合函数来计算每个重采样周期内的值。常见的聚合函数包括mean()、sum()、count()、min()、max()等。

   

   # 降采样到每月，计算总和
   monthly_sum = df.resample('M').sum()
   print(monthly_sum.head())

4. 处理缺失值：升采样会引入缺失值。可以使用ffill()（前向填充）、bfill()（后向填充）或interpolate()（插值）等方法填充缺失值。

   # 升采样到每小时，并使用线性插值填充缺失值
   hourly_interpolated = df.resample('H').interpolate()
   print(hourly_interpolated.head())

5. 自定义聚合函数：你还可以使用agg()方法应用自定义的聚合函数。

   # 自定义聚合函数，计算每个月的范围（最大值 - 最小值）
   def range_func(x):
       return x.max() - x.min()
   
   monthly_range = df.resample('M').agg(range_func)
   print(monthly_range.head())

降采样时，closed和label参数有什么作用？

closed和label参数在降采样中控制着区间的闭合方式和标签。closed参数决定区间的哪一端是闭合的（包含），可以是'right'（默认）或'left'。label参数决定使用区间的哪一端作为标签，也可以是'right'（默认）或'left'。这俩参数直接影响你如何解读重采样后的时间点。

举个例子，假设你按天降采样到周，closed='right'和label='right'意味着每周日作为该周的标签，并且周日属于该周。如果closed='left'和label='left'，则每周一作为该周的标签，且周一属于该周。

# 降采样到每周，指定闭合区间和标签
weekly_sum_right = df.resample('W', closed='right', label='right').sum()
weekly_sum_left = df.resample('W', closed='left', label='left').sum()

print("Right closed and labeled:\n", weekly_sum_right.head())
print("\nLeft closed and labeled:\n", weekly_sum_left.head())

升采样时，如何避免引入过多的缺失值？

升采样必然会引入缺失值，但可以通过选择合适的填充方法来减少其影响。ffill()和bfill()适用于数据变化不大的情况，而interpolate()则更适用于数据具有一定趋势性的情况。

除了选择合适的填充方法，还可以考虑使用更短的重采样频率，例如，如果你的数据是按天记录的，可以先升采样到小时，然后再进行插值，这样可以减少插值的误差。

另外，了解你的数据特性非常重要。例如，如果你的数据是季节性的，可以考虑使用季节性分解方法，然后对分解后的数据进行重采样和插值。

# 升采样到每小时，并使用时间加权插值填充缺失值
hourly_time_based = df.resample('H').interpolate(method='time')
print(hourly_time_based.head())

如何处理不规则的时间序列数据？

真实世界的数据往往是不规则的，例如，某些日期可能缺少数据，或者数据的时间间隔不一致。Pandas提供了一些方法来处理这些情况。

首先，可以使用asfreq()方法将不规则的时间序列转换为规则的时间序列。这个方法允许你指定一个频率，并自动填充缺失的日期。

其次，可以使用reindex()方法手动指定新的索引。这对于需要将数据与其他数据集对齐的情况非常有用。

此外，还可以使用fillna()方法填充缺失值。这个方法提供了多种填充策略，例如，使用常数填充、使用均值填充等。

# 创建一个不规则的时间序列
irregular_dates = pd.to_datetime(['2023-01-01', '2023-01-03', '2023-01-05', '2023-01-08'])
irregular_data = np.random.randn(4)
irregular_df = pd.DataFrame({'value': irregular_data}, index=irregular_dates)

# 转换为规则的时间序列，并填充缺失值
regular_df = irregular_df.asfreq('D', fill_value=0)
print(regular_df)

终于介绍完啦！小伙伴们，这篇关于《Pandas数据重采样技巧全解析》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布文章相关知识，快来关注吧！