python数据帧操作

我有一个不同位置（纬度和经度）的历史降水记录（1990-2010）数据集，有一个具有5个属性（纬度、经度、年、月、prec）的表。 数据集是通过按纬度、经度和时间定义组来组织的。 例如：

输入

预期产量（累计期=3）

我想对该时间序列进行分析，该分析包括对降水量变量进行计算，例如通过坐标对将不同的累积期相加，例如，时间段的3个月和6个月，然后将数据调整为概率分布。 有人知道如何执行这些“总和”吗？考虑到它应该在给定的时间段内，并且不应该使用与另一个给定纬度和经度相关的信息？ 补充资料

---

从1990年到2020年有月度记录，当经度或纬度发生变化时，必须重新开始计算，因为这表明它是另一个点，并且数据（所有记录）为CSV格式。信息是有组织的，没有nan值

它看起来像是

。滚动（句点）。sum（）

就是您要找的

输入csv文件 代码 请注意，通过预排序更改列顺序，以匹配

cumsum

输出。如果需要，可以通过

df.sort\u index（）

恢复

输出

---

1.累积应多久重置一次？2.您的数据是您提供的格式的文本文件吗？3.您是对最频繁的3个月进行求和，还是每月进行求和，但从第三个月开始计算求和值？谢谢，对于每个位置，都有1990年到2020年的月度记录，当经度或纬度发生变化时，必须重新开始计算，因为这表明它是另一个点和数据（所有记录）是CSV格式的。这些信息是有组织的，没有nan值。您没有回答我的第3个问题。你的预期产出不像你在文章中描述的那样是3个月的累积。你能解释一下吗？如果我有一个一年（12个月）的序列，并且我想进行3个月的累加，我将存储数据的字段（prec_3）将从3月份开始具有值，即1月、2月和3月的和，对于4月份，它将是2月、3月和4月的和，依此类推。累加一直进行到序列结束，在本例中，由于是另一个位置，因此当纬度或经度发生变化时，将进行累加。累加周期可以是2,3,12

lan/lon/year/month/prec
-17/18/1990/1/0.4
-17/18/1990/2/0.02
-17/18/1990/3/0.12
-17/18/1990/4/0.06
.
.
.
-17/18/2020/12/0.35
-17/20/1990/1/0.2
-17/20/1990/2/0.2
-17/20/1990/3/0.2
-17/20/1990/4/0.2
.
.
.
-17/20/2020/12/0.08
-18/20/1990/1/0.11
-18/20/1990/2/0.11
-18/20/1990/3/0.11
.
.
.
.

lan/lon/year/month/prec/prec_3
-17/18/1990/1/0.4/-
-17/18/1990/2/0.02/-
-17/18/1990/3/0.12/0.54
-17/18/1990/4/0.06/0.2
.
.
.
-17/18/2020/12/0.35/12.58
-17/20/1990/1/0.2/-
-17/20/1990/2/0.2/-
-17/20/1990/3/0.2/0.6
-17/20/1990/4/0.2/0.8
.
.
.
-17/20/2020/12/0.08/35.0
-18/20/1990/1/0.11/-
-18/20/1990/2/0.11/-
-18/20/1990/3/0.11/0.33
.
.
.
.

lan/lon/year/month/prec
-17/18/1990/1/0.4
-17/18/1990/2/0.02
-17/18/1990/3/0.12
-17/18/1990/4/0.06
-17/18/2020/12/0.35
-17/20/1990/1/0.2
-17/20/1990/2/0.2
-17/20/1990/3/0.2
-17/20/1990/4/0.2
-17/20/2020/12/0.08
-18/20/1990/1/0.11
-18/20/1990/2/0.11
-18/20/1990/3/0.11

df = pd.read_csv(path_to_file, sep="/").sort_values(["lan","lon","year","month"])
df["prec_3"] = df.groupby(["lan","lon"])["prec"].rolling(3).sum().values

print(df)  # the original ordering is preserved in the index

    lan  lon  year  month  prec  prec_3
10  -18   20  1990      1  0.11     NaN
11  -18   20  1990      2  0.11     NaN
12  -18   20  1990      3  0.11    0.33
0   -17   18  1990      1  0.40     NaN
1   -17   18  1990      2  0.02     NaN
2   -17   18  1990      3  0.12    0.54
3   -17   18  1990      4  0.06    0.20
4   -17   18  2020     12  0.35    0.53
5   -17   20  1990      1  0.20     NaN
6   -17   20  1990      2  0.20     NaN
7   -17   20  1990      3  0.20    0.60
8   -17   20  1990      4  0.20    0.60
9   -17   20  2020     12  0.08    0.48