如何在给定的不规则日期上对时间序列重新采样

Question

import pandas as pd
date_index = pd.date_range("2010-01-31", "2010-12-31", freq="M")
df  = pd.Series(range(12), index=date_index)
dates = date_index[1::2]

系列df是每月频率，我们希望通过将dates变量给出的日期之间的值相加来重新采样。

df是：

2010-01-31     0
2010-02-28     1
2010-03-31     2
2010-04-30     3
2010-05-31     4
2010-06-30     5
2010-07-31     6
2010-08-31     7
2010-09-30     8
2010-10-31     9
2010-11-30    10
2010-12-31    11
Freq: M, dtype: int64

dates是

DatetimeIndex(['2010-02-28', '2010-04-30', '2010-06-30', '2010-08-31',
'2010-10-31', '2010-12-31'],
dtype='datetime64[ns]', freq='2M')

预期结果应为：

2010-02-28     1
2010-04-30     5
2010-06-30     9
2010-08-31     13
2010-10-31     17
2010-12-31    21

Answer 1

不是一般的重采样解决方案，而是针对您在可以使用的日期之间将值相加的具体问题

res = df.cumsum()[dates].diff()
res[0] = df[dates[0]]
res = res.astype(df.dtype)

结果：

2010-02-28     1
2010-04-30     5
2010-06-30     9
2010-08-31    13
2010-10-31    17
2010-12-31    21

Answer 2

想法是将不匹配的dates 值替换为缺失值，方法是用 bacj 填充缺失值的bfillSeries.where替换，然后聚合sum：

date_index = pd.date_range("2010-01-31", "2010-12-31", freq="M")
s  = pd.Series(range(12), index=date_index)
dates = date_index[1::2]
a = s.index.to_series().where(s.index.isin(dates)).bfill()
out = s.groupby(a).sum()
print(out)
2010-02-28     1
2010-04-30     5
2010-06-30     9
2010-08-31    13
2010-10-31    17
2010-12-31    21
dtype: int64

Answer 3

对于您的特定示例，其中df[0] = 0，它是一个简单的resample，具有sum()聚合，跳过df[0]。

df_resampled = df[1::].resample('2M').sum()
print(df_resampled)
2010-02-28     1
2010-04-30     5
2010-06-30     9
2010-08-31    13
2010-10-31    17
2010-12-31    21
Freq: 2M, dtype: int64

如果df[0] != 0，您仍然可以通过将df[0]添加到df_resampled的第一个元素来做出简单的解决方法：

df_resampled[0] = df_resampled[0] + df[0]

如果你想要两个月周期的一般重采样，你可以尝试使用resample的loffset参数，并提供一个函数返回pd.Timedelta对象，例如它"地板"到每个月的最后一天。(请参阅此处了解如何获得pd.Timedelta月经(