Pandas:是否可能对分类列进行下采样?

Question

让我们有一个这样的DataFrame日志:

>>> log
state
date_time                       
2020-01-01 00:00:00            0
2020-01-01 00:01:00            0
2020-01-01 00:02:00            0
2020-01-01 00:03:00            1
2020-01-01 00:04:00            1
2020-01-01 00:05:00            1

其中state列可以为0或1(或者不存在)。如果用UInt8(支持的最小数字数据类型)表示，可以像这样对数据进行下采样:

>>> log.resample(dt.timedelta(minutes=2)).mean()
state
date_time                       
2020-01-01 00:00:00          0.0
2020-01-01 00:02:00          0.5
2020-01-01 00:04:00          1.0

重新采样工作得很好，只有值0.5没有意义，因为它只能是0或1。出于同样的原因，使用类别作为该列的dtype是有意义的。然而，在这种情况下，重采样将无法工作，因为mean()方法仅适用于数值数据。

这是一个完美的意义-然而-我可以想象一个降采样&对分类数据的平均过程，只要组内数据保持相同，结果就是该特定值，否则结果为，如:

categorical_average(['aple', 'aple']) -> 'aple'
categorical_average(['pear', 'pear']) -> 'pear'
categorical_average(['aple', 'pear']) -> <NA>

对于呈现的DataFramelog与类别状态列将导致:

>>> log.resample(dt.timedelta(minutes=2)).probably_some_other_method()
state
date_time                       
2020-01-01 00:00:00          0
2020-01-01 00:02:00       <NA>
2020-01-01 00:04:00          1

顺便说一句，我做resample.main()是因为有许多其他的(数字)列，在那里它是完全有意义的，我只是没有在这里明确地提到它为简单。

Answer 1

使用自定义函数测试if-else是否唯一:

f = lambda x: x.iat[0] if len(x) > len(set(x)) else pd.NA
a = log.resample(dt.timedelta(minutes=2)).agg({'state':f})
print (a)
state
date_time                
2020-01-01 00:00:00     0
2020-01-01 00:02:00  <NA>
2020-01-01 00:04:00     1