Python 计算每个聚类的时间序列数据的季节性和趋势
我有这个时间序列数据,现在我想用“modal_price”计算每个APMC和商品集群的趋势季节性类型(乘法或加法)。数据集大约有60000行这样的行,APMC和Cluster是相同的,但日期在变化。数据集如下所示:Python 计算每个聚类的时间序列数据的季节性和趋势,python,pandas,group-by,time-series,pivot-table,Python,Pandas,Group By,Time Series,Pivot Table,我有这个时间序列数据,现在我想用“modal_price”计算每个APMC和商品集群的趋势季节性类型(乘法或加法)。数据集大约有60000行这样的行,APMC和Cluster是相同的,但日期在变化。数据集如下所示: APMC | Commodity | qtl _weight| min_price | max_price | modal_price | district_name | Year | Month date 2014-12-01 Akole ba
APMC | Commodity | qtl _weight| min_price | max_price | modal_price | district_name | Year | Month
date
2014-12-01 Akole bajri 40 1375 1750 1563 Ahmadnagar 2014 12
2014-12-01 Akole paddy-unhusked 346 1400 1800 1625 Ahmadnagar 2014 12
2014-12-01 Akole wheat 55 1500 1900 1675 Ahmadnagar 2014 12
2014-12-01 Akole bhagar/vari 59 2000 2600 2400 Ahmadnagar 2014 12
2014-12-01 Akole gram 9 3200 3300 3235 Ahmadnagar 2014 12
2014-12-01 Jamkhed cotton 44199 3950 4033 3991 Ahmadnagar 2014 12
2014-12-01 Jamkhed bajri 846 1300 1488 1394 Ahmadnagar 2014 12
2014-12-01 Jamkhed wheat(husked) 155 1879 2231 2055 Ahmadnagar 2014 12
2014-12-01 Kopar gram 421 1983 2698 2463 Ahmadnagar 2014 12
2014-12-01 Kopar greengram 18 6734 7259 6759 Ahmadnagar 2014 12
2014-12-01 Kopar soybean 1507 2945 3247 3199 Ahmadnagar 2014 12
2016-11-01 Sanga wheat(husked) 222 1730 2173 1994 Ahmadnagar 2016 11
现在我尝试使用pivot表(APMC、商品和日期作为索引),但这无助于计算每个集群(APMC、商品)的平均值(计算趋势)。我只需要知道如何使用“modal_price”计算每个集群(APMC、商品)的平均值,并将其作为一列添加到dataframe/pivot表中。也许groupby将为您提供趋势所需的信息,然后转换将使您能够将其投影回同一索引? 比如:
# group by your cluster
g = df.groupby(["Year", "APMC", "Commodity"])
# determine the trend per cluster but finalise back into original diimensions
trend = g.modal_price.transform(lambda x: x.mean())
df["trend"] = trend
如果我必须计算每个季节相同的滚动平均值呢?上面修改为在groupby中包括“年”。不应该包括月吗?因为趋势是按月计算的。还有滚动平均值()呢。我该怎么做呢。有些商品的有效期仅为3-4个月,我如何为此类情况设置窗口大小趋势是基于您想要的任何基础,但是,您的问题是“每年每个集群(APMC,商品)的平均值(计算趋势)”。如果您想要滚动平均值,请修改您的问题或提出一个新问题。另一方面,如果您想要按日期属性(年、月、道琼斯指数)分组,则不需要为其投影列,您可以执行类似df.groupby(df.column.dt.year)的操作。为您保存一列或3列