熊猫分组依据在索引中带取时区

Question

我遇到了一个问题，当我过滤数据帧以获取唯一索引值时，我的时区信息被剥离（这是使用 groupby（） 和 first（） 完成的）。 例如

import pandas as pd
import pytz
utc = pytz.utc
index = pd.date_range('20140101','20140102',freq='6H',tz=utc)
data  = pd.np.random.randint(0,10,(5,3))
namen = list('abc')
df = pd.DataFrame(data=data,index=index,columns=namen)

时区信息现在存储在索引中：

>>>df.index[0]
    Timestamp('2014-01-01 00:00:00+0000', tz='UTC')

当我只保留唯一值时，我会丢失时间戳信息。

df = df.groupby(df.index).first()
>>> df.index[0]
    Timestamp('2014-01-01 00:00:00', tz=None)

当然，我可以使用 .drop_duplicates（） 做同样的事情（.drop_duplicates（） 似乎保留了时区信息），但这对我目前的工作有两个问题：

1. drop_duplicates不对索引进行操作，这很重要（参见#2）
2. 由于我的数据集的性质，我很可能在数据帧中有相同的行，因此使用 drop_duplicates 将删除这些原本好的行。

我可以通过在数据帧内创建一个新列来保存索引值来使用drop_duplicates。 例如

df['dates'] = df.index
df = df.drop_duplicates(cols=['dates'])
df.pop('dates')

虽然这有效，但似乎很草率。 这里有我没有看到的替代方案吗？

Answer 1

使用 pandas 0.15.1，我没有看到你做的同样的事情：

In [90]: so_df
Out[90]: 
                           a  b  c
2014-01-01 00:00:00+00:00  3  6  2
2014-01-01 06:00:00+00:00  9  3  5
2014-01-01 12:00:00+00:00  2  9  4
2014-01-01 18:00:00+00:00  3  6  3
2014-01-02 00:00:00+00:00  4  1  4
In [93]: so_df.index[3]
Out[93]: Timestamp('2014-01-01 18:00:00+0000', tz='UTC', offset='6H')
In [94]: so_df2 = so_df.groupby(so_df.index).first()
In [95]: so_df2
Out[95]: 
                           a  b  c
2014-01-01 00:00:00+00:00  3  6  2
2014-01-01 06:00:00+00:00  9  3  5
2014-01-01 12:00:00+00:00  2  9  4
2014-01-01 18:00:00+00:00  3  6  3
2014-01-02 00:00:00+00:00  4  1  4
In [96]: so_df2.index[3]
Out[96]: Timestamp('2014-01-01 18:00:00+0000', tz='UTC', offset='6H')

版本 0.15.0 改进了与时区相关的一些内容，包括

• 当插入到序列/数据帧中时，本地化为 UTC 的时间序列/索引将保留 UTC 时区（而不是天真的datetime64[ns]）作为object dtype （GH8411）

希望升级可以解决您的问题。请注意，从 0.15.0 开始，

pandas>= 0.15.0 将不再支持与 NumPy 版本<1.7.0 的兼容性。如果您想使用最新版本的熊猫，请升级到 NumPy>= 1.7.0 （GH7711）

由于您正在升级，现在可能是查看已安装的 pandas 依赖项版本并升级任何可能有点过时的版本的好时机。

祝你好运！