Додайте пропущені дати до фрейму даних панд

Мої дані можуть мати декілька подій у певну дату або НЕ подій на дату. Я беру ці події, беру підрахунок за датою та малюю їх. Однак, коли я їх закладаю, мої дві серії не завжди відповідають.

idx = pd.date_range(df['simpleDate'].min(), df['simpleDate'].max())
s = df.groupby(['simpleDate']).size()

У наведеному вище коді idx стає діапазоном, наприклад, 30 дат. З 01.09.2013 по 30.09.2013 Однак, S може мати лише 25 або 26 днів, оскільки жодна подія не відбулася за вказану дату. Потім я отримую AssertionError, оскільки розміри не збігаються, коли я намагаюся побудувати графік:

fig, ax = plt.subplots()    
ax.bar(idx.to_pydatetime(), s, color='green')

Який правильний спосіб вирішити це? Чи хочу я видалити дати ID без значень з IDX або (що я б краще зробив) - додати до серії пропущену дату з рахунком 0. Я вважаю за краще мати повний графік 30 днів із 0 значеннями. Якщо цей підхід правильний, якісь пропозиції щодо того, як розпочати роботу? Чи потрібна мені якась динамічна reindexфункція?

Ось фрагмент S ( df.groupby(['simpleDate']).size() ), зауважте, що немає записів за 04 та 05.

09-02-2013     2
09-03-2013    10
09-06-2013     5
09-07-2013     1

Ви можете використовувати Series.reindex:

import pandas as pd

idx = pd.date_range('09-01-2013', '09-30-2013')

s = pd.Series({'09-02-2013': 2,
               '09-03-2013': 10,
               '09-06-2013': 5,
               '09-07-2013': 1})
s.index = pd.DatetimeIndex(s.index)

s = s.reindex(idx, fill_value=0)
print(s)

врожайність

2013-09-01     0
2013-09-02     2
2013-09-03    10
2013-09-04     0
2013-09-05     0
2013-09-06     5
2013-09-07     1
2013-09-08     0
...

Швидше вирішити проблему .asfreq(). Це не вимагає створення нового індексу для дзвінка всередині .reindex().

# "broken" (staggered) dates
dates = pd.Index([pd.Timestamp('2012-05-01'), 
                  pd.Timestamp('2012-05-04'), 
                  pd.Timestamp('2012-05-06')])
s = pd.Series([1, 2, 3], dates)

print(s.asfreq('D'))
2012-05-01    1.0
2012-05-02    NaN
2012-05-03    NaN
2012-05-04    2.0
2012-05-05    NaN
2012-05-06    3.0
Freq: D, dtype: float64

Одне питання полягає в тому, що reindexне вдасться, якщо є дублюючі значення. Скажімо, ми працюємо з датами, розміченими часом, які ми хочемо індексувати за датою:

df = pd.DataFrame({
    'timestamps': pd.to_datetime(
        ['2016-11-15 1:00','2016-11-16 2:00','2016-11-16 3:00','2016-11-18 4:00']),
    'values':['a','b','c','d']})
df.index = pd.DatetimeIndex(df['timestamps']).floor('D')
df

врожайність

            timestamps             values
2016-11-15  "2016-11-15 01:00:00"  a
2016-11-16  "2016-11-16 02:00:00"  b
2016-11-16  "2016-11-16 03:00:00"  c
2016-11-18  "2016-11-18 04:00:00"  d

Через повторювану 2016-11-16дату спроба повторно встановити:

all_days = pd.date_range(df.index.min(), df.index.max(), freq='D')
df.reindex(all_days)

не вдається:

...
ValueError: cannot reindex from a duplicate axis

(це означає, що індекс має дублікати, а не те, що він сам є дубліком)

Натомість ми можемо .locшукати записи для всіх дат у діапазоні:

df.loc[all_days]

врожайність

            timestamps             values
2016-11-15  "2016-11-15 01:00:00"  a
2016-11-16  "2016-11-16 02:00:00"  b
2016-11-16  "2016-11-16 03:00:00"  c
2016-11-17  NaN                    NaN
2016-11-18  "2016-11-18 04:00:00"  d

fillna може бути використаний у серії стовпців для заповнення пробілів, якщо це необхідно.

Альтернативний підхід - resampleце можливість обробляти повторювані дати на додаток до пропущених дат. Наприклад:

df.resample('D').mean()

resampleє відкладеною операцією, як groupbyотже, вам потрібно слідувати за нею в іншій операції. В цьому випадку meanдобре працює, але ви можете також використовувати багато методів інших панд , як max, sumі т.д.

Ось оригінальні дані, але з додатковим записом для '2013-09-03':

             val
date           
2013-09-02     2
2013-09-03    10
2013-09-03    20    <- duplicate date added to OP's data
2013-09-06     5
2013-09-07     1

І ось результати:

             val
date            
2013-09-02   2.0
2013-09-03  15.0    <- mean of original values for 2013-09-03
2013-09-04   NaN    <- NaN b/c date not present in orig
2013-09-05   NaN    <- NaN b/c date not present in orig
2013-09-06   5.0
2013-09-07   1.0

Я залишив пропущені дати як NaN, щоб зрозуміти, як це працює, але ви можете додати, fillna(0)щоб замінити NaN на нулі, як цього вимагає ОП, або ж використати щось на зразок interpolate()заповнення ненульовими значеннями на основі сусідніх рядків.

Ось приємний метод заповнення пропущених дат у кадр даних, на ваш вибір fill_value, days_backдля заповнення та сортування порядку ( date_order), за яким можна сортувати кадр даних:

def fill_in_missing_dates(df, date_col_name = 'date',date_order = 'asc', fill_value = 0, days_back = 30):

    df.set_index(date_col_name,drop=True,inplace=True)
    df.index = pd.DatetimeIndex(df.index)
    d = datetime.now().date()
    d2 = d - timedelta(days = days_back)
    idx = pd.date_range(d2, d, freq = "D")
    df = df.reindex(idx,fill_value=fill_value)
    df[date_col_name] = pd.DatetimeIndex(df.index)

    return df