使用Python/Pandas匹配样本对数据
虽然这听起来像是一个统计问题,但请耐心听我说 我从不同采样点采集的水样中得到了几种钙浓度。在一些监测站每月、每年或每隔一年对水进行重新取样 我想使用Wilcoxon-Pratt符号秩检验来测量各组站点钙浓度的年度和十年变化,正如Lindsey和Rupert()所做的那样。为了进行测试,我想创建以一年(365天的时间增量)或尽可能接近该时间范围的数据对。成对的测量应该有相同的月份,只是不同的年份。我每个站每月只需要一双。我不希望对共享同一站点、月份和年份的样本的平均样本浓度进行分析 以下是我的数据示例: 我想生成一个熊猫数据帧,它看起来像这样:使用Python/Pandas匹配样本对数据,python,pandas,match,time-series,multi-index,Python,Pandas,Match,Time Series,Multi Index,虽然这听起来像是一个统计问题,但请耐心听我说 我从不同采样点采集的水样中得到了几种钙浓度。在一些监测站每月、每年或每隔一年对水进行重新取样 我想使用Wilcoxon-Pratt符号秩检验来测量各组站点钙浓度的年度和十年变化,正如Lindsey和Rupert()所做的那样。为了进行测试,我想创建以一年(365天的时间增量)或尽可能接近该时间范围的数据对。成对的测量应该有相同的月份,只是不同的年份。我每个站每月只需要一双。我不希望对共享同一站点、月份和年份的样本的平均样本浓度进行分析 以下是我的数据
SampleLocation SampleDate1 CaConc1 SampleDate2 CaConc2
USGS-09382000 10/1/1947 0:00 66.0 10/1/1948 0:00 106.0
USGS-09382000 10/15/1947 0:00 132.0 10/15/1948 0:00 102.0
USGS-09382000 5/15/1948 0:00 53.0 5/15/1949 0:00 59.0
... ... ... ... ...
USGS-09288500 9/20/1947 0:00 59.0 9/29/1948 0:00 51.0
我相信可以使用Pandas中的多索引功能来实现这一点。到目前为止,我已经研究了以下stackoverflow问题,以帮助匹配日期并使用索引进行操作:
这项技术将适用于其他希望分析季节性趋势数据的人,例如比较同一天或接近同一天的流量、累积降水量或温度。此方法有点混乱,但我正试图使其更稳健地解释丢失的数据 首先,我们将删除数据中的重复项,然后将日期转换为时间戳:
df = df.drop_duplicates()
df.SampleDate = [pd.Timestamp(ts) for ts in df.SampleDate]
然后,让我们安排您的数据帧,以便在一组唯一的日期上对其进行索引(列将是位置ID):
我已经填充了这些值,以使结果更加可靠。您可能希望限制可能提前填充的天数(例如,ffill(limit=30))
现在,我们可以将此数据帧移动365个日期:
df2_lagged = df2.shift(365)
堆叠df2和df2_滞后的样本位置:
df2 = pd.DataFrame(df2.stack('SampleLocation', dropna=False))
df2_lagged = df2_lagged.stack('SampleLocation', dropna=False)
现在将滞后数据合并到df2。数据帧具有完全相同的结构,因此您可以只复制值:
df2['lagged_val'] = df2_lagged
最后,交换位置和日期并重命名列:
result = df2.swaplevel(0, 1)
result.columns = ['CalciumConc_mgL', 'CalciumConc_mgL_lagged_12m']
对样本数据使用60天延迟:
>>> result
result.tail(10)
CalciumConc_mgL CalciumConc_mgL_lagged_12m
SampleLocation SampleDate
USGS-421548113205301 1950-01-01 59 59
USGS-422818113225801 1950-01-01 59 NaN
USGS-423200113472601 1950-01-01 33 33
USGS-424006113355301 1950-01-01 62 54
USGS-424142113340901 1950-01-01 54 54
USGS-424348113242701 1950-01-01 40 NaN
USGS-424431113412301 1950-01-01 46 NaN
USGS-424511113291401 1950-01-01 38 38
USGS-424518113282002 1950-01-01 39 39
USGS-424659113433701 1950-01-01 39 39
要仅索引位置ID,请执行以下操作:
result = result.reset_index().set_index('SampleLocation')
>>> result.loc['USGS-09402500', :]
CalciumConc_mgL CalciumConc_mgL_lagged_12m
SampleDate
1941-05-18 NaN NaN
1941-05-19 NaN NaN
1941-06-16 NaN NaN
1941-10-01 102 NaN
1941-10-12 132 NaN
1941-10-21 119 NaN
1943-09-18 110 NaN
1943-10-01 138 NaN
1943-10-11 140 NaN
1943-10-12 140 NaN
1943-10-14 140 NaN
1943-10-21 156 NaN
1944-01-01 116 NaN
1944-01-11 126 NaN
1944-01-13 126 NaN
1944-01-21 133 NaN
1944-05-01 84 NaN
1944-05-11 84 NaN
1944-05-13 66 NaN
1944-05-15 66 NaN
1944-05-16 66 NaN
1944-05-21 57 NaN
1944-05-22 57 NaN
1944-06-01 58 NaN
1944-06-11 57 NaN
1944-06-21 57 NaN
1944-09-01 134 NaN
1944-09-11 122 NaN
1944-09-15 122 NaN
1944-09-18 122 NaN
... ... ...
1949-05-03 63 62
1949-05-11 63 62
1949-05-15 63 62
1949-05-21 57 62
1949-06-01 58 133
1949-06-09 58 128
1949-06-10 58 128
1949-06-11 74 128
1949-06-12 74 128
1949-06-13 74 124
1949-06-15 74 112
1949-06-21 67 123
1949-06-23 67 123
1949-06-30 67 123
1949-09-01 142 123
1949-09-09 142 123
1949-09-10 142 131
1949-09-11 140 106
1949-09-15 140 108
1949-09-21 146 108
1949-09-28 146 102
1949-10-01 156 102
1949-10-11 153 102
1949-10-13 153 68
1949-10-14 153 68
1949-10-15 153 63
1949-10-21 152 63
1949-10-27 152 63
1949-10-28 152 63
1950-01-01 128 60
您可以使用时间增量(例如365天),或者在日期后看“一年”,在这种情况下,您必须考虑闰年、丢失的数据点等。您更喜欢哪一个?@Alexander时间增量听起来更容易实现,所以我更喜欢这样。我编辑了这篇文章以反映我的偏好。一些可能会让你接近正确答案并且速度相当快的事情是
重新采样
,然后移位
。如果这是一个愚蠢的问题,我很抱歉,但是在你的脚本中,你是如何以及在哪里实现“样本数据的60天延迟”的df2_滞后=df2.shift(365)。将365替换为60。样本数据不足以满足365天的延迟,所以我用60天来说明这一点。
>>> result
result.tail(10)
CalciumConc_mgL CalciumConc_mgL_lagged_12m
SampleLocation SampleDate
USGS-421548113205301 1950-01-01 59 59
USGS-422818113225801 1950-01-01 59 NaN
USGS-423200113472601 1950-01-01 33 33
USGS-424006113355301 1950-01-01 62 54
USGS-424142113340901 1950-01-01 54 54
USGS-424348113242701 1950-01-01 40 NaN
USGS-424431113412301 1950-01-01 46 NaN
USGS-424511113291401 1950-01-01 38 38
USGS-424518113282002 1950-01-01 39 39
USGS-424659113433701 1950-01-01 39 39
result = result.reset_index().set_index('SampleLocation')
>>> result.loc['USGS-09402500', :]
CalciumConc_mgL CalciumConc_mgL_lagged_12m
SampleDate
1941-05-18 NaN NaN
1941-05-19 NaN NaN
1941-06-16 NaN NaN
1941-10-01 102 NaN
1941-10-12 132 NaN
1941-10-21 119 NaN
1943-09-18 110 NaN
1943-10-01 138 NaN
1943-10-11 140 NaN
1943-10-12 140 NaN
1943-10-14 140 NaN
1943-10-21 156 NaN
1944-01-01 116 NaN
1944-01-11 126 NaN
1944-01-13 126 NaN
1944-01-21 133 NaN
1944-05-01 84 NaN
1944-05-11 84 NaN
1944-05-13 66 NaN
1944-05-15 66 NaN
1944-05-16 66 NaN
1944-05-21 57 NaN
1944-05-22 57 NaN
1944-06-01 58 NaN
1944-06-11 57 NaN
1944-06-21 57 NaN
1944-09-01 134 NaN
1944-09-11 122 NaN
1944-09-15 122 NaN
1944-09-18 122 NaN
... ... ...
1949-05-03 63 62
1949-05-11 63 62
1949-05-15 63 62
1949-05-21 57 62
1949-06-01 58 133
1949-06-09 58 128
1949-06-10 58 128
1949-06-11 74 128
1949-06-12 74 128
1949-06-13 74 124
1949-06-15 74 112
1949-06-21 67 123
1949-06-23 67 123
1949-06-30 67 123
1949-09-01 142 123
1949-09-09 142 123
1949-09-10 142 131
1949-09-11 140 106
1949-09-15 140 108
1949-09-21 146 108
1949-09-28 146 102
1949-10-01 156 102
1949-10-11 153 102
1949-10-13 153 68
1949-10-14 153 68
1949-10-15 153 63
1949-10-21 152 63
1949-10-27 152 63
1949-10-28 152 63
1950-01-01 128 60