Python 在数据框中为每个实体添加缺失天数的行
我有以下问题:我的数据帧看起来像这样:Python 在数据框中为每个实体添加缺失天数的行,python,pandas,dataframe,missing-symbols,Python,Pandas,Dataframe,Missing Symbols,我有以下问题:我的数据帧看起来像这样: ID Date Value 1 2016-06-12 2 1 2016-06-13 2.5 1 2016-06-16 4 2 2016-06-12 3 2 2016-06-15 1.5 ID Date Value 1 2016-06-12 2 1 2016-06-13 2.5 1 2016-06-14 NaN 1 2016-06-15 NaN 1 2016-06-16 4 2 20
ID Date Value
1 2016-06-12 2
1 2016-06-13 2.5
1 2016-06-16 4
2 2016-06-12 3
2 2016-06-15 1.5
ID Date Value
1 2016-06-12 2
1 2016-06-13 2.5
1 2016-06-14 NaN
1 2016-06-15 NaN
1 2016-06-16 4
2 2016-06-12 3
2 2016-06-13 NaN
2 2016-06-14 NaN
2 2016-06-15 1.5
正如你所见,我的数据中缺少了几天。所以我更想要这样的东西:
ID Date Value
1 2016-06-12 2
1 2016-06-13 2.5
1 2016-06-16 4
2 2016-06-12 3
2 2016-06-15 1.5
ID Date Value
1 2016-06-12 2
1 2016-06-13 2.5
1 2016-06-14 NaN
1 2016-06-15 NaN
1 2016-06-16 4
2 2016-06-12 3
2 2016-06-13 NaN
2 2016-06-14 NaN
2 2016-06-15 1.5
为了解决这个问题,我做了以下工作:
df_new = df.groupby('ID').apply(lambda x: x.set_index('Date').resample('1D').first())
此解决方案可行,但处理大型数据集大约需要半小时。因此,我想知道是否有更好的解决方案?第一个想法是创建
ID
和Date
值的所有可能组合,然后与left join合并:
from itertools import product
df['Date'] = pd.to_datetime(df['Date'])
L = list(product(df['ID'].unique(), pd.date_range(df['Date'].min(), df['Date'].max())))
df = pd.DataFrame(L, columns=['ID','Date']).merge(df, how='left')
print (df)
ID Date Value
0 1 2016-06-12 2.0
1 1 2016-06-13 2.5
2 1 2016-06-14 NaN
3 1 2016-06-15 NaN
4 1 2016-06-16 4.0
5 2 2016-06-12 3.0
6 2 2016-06-13 NaN
7 2 2016-06-14 NaN
8 2 2016-06-15 1.5
9 2 2016-06-16 NaN
或使用,但性能应更差,取决于数据:
df['Date'] = pd.to_datetime(df['Date'])
mux = pd.MultiIndex.from_product([df['ID'].unique(),
pd.date_range(df['Date'].min(), df['Date'].max())],
names=['ID','Date'])
df = df.set_index(['ID','Date']).reindex(mux).reset_index()
print (df)
ID Date Value
0 1 2016-06-12 2.0
1 1 2016-06-13 2.5
2 1 2016-06-14 NaN
3 1 2016-06-15 NaN
4 1 2016-06-16 4.0
5 2 2016-06-12 3.0
6 2 2016-06-13 NaN
7 2 2016-06-14 NaN
8 2 2016-06-15 1.5
9 2 2016-06-16 NaN
第一个想法是使用左连接创建
ID
和Date
值的所有可能组合,然后合并为左连接:
from itertools import product
df['Date'] = pd.to_datetime(df['Date'])
L = list(product(df['ID'].unique(), pd.date_range(df['Date'].min(), df['Date'].max())))
df = pd.DataFrame(L, columns=['ID','Date']).merge(df, how='left')
print (df)
ID Date Value
0 1 2016-06-12 2.0
1 1 2016-06-13 2.5
2 1 2016-06-14 NaN
3 1 2016-06-15 NaN
4 1 2016-06-16 4.0
5 2 2016-06-12 3.0
6 2 2016-06-13 NaN
7 2 2016-06-14 NaN
8 2 2016-06-15 1.5
9 2 2016-06-16 NaN
或使用,但性能应更差,取决于数据:
df['Date'] = pd.to_datetime(df['Date'])
mux = pd.MultiIndex.from_product([df['ID'].unique(),
pd.date_range(df['Date'].min(), df['Date'].max())],
names=['ID','Date'])
df = df.set_index(['ID','Date']).reindex(mux).reset_index()
print (df)
ID Date Value
0 1 2016-06-12 2.0
1 1 2016-06-13 2.5
2 1 2016-06-14 NaN
3 1 2016-06-15 NaN
4 1 2016-06-16 4.0
5 2 2016-06-12 3.0
6 2 2016-06-13 NaN
7 2 2016-06-14 NaN
8 2 2016-06-15 1.5
9 2 2016-06-16 NaN
你能用你的真实数据测试我的两个解决方案吗?我真的很好奇第一个解决方案是否比第二个更快/更好。谢谢。你能用你的真实数据测试我的两个解决方案吗?我真的很好奇第一个解决方案是否比第二个更快/更好。谢谢。抱歉耽搁了这么久。您的第一个解决方案似乎不适用于我,因为创建的列表太大,导致我这边出现内存错误(7500天*15000家公司)。今晚将尝试第二个解决方案。抱歉,花了这么长时间。您的第一个解决方案似乎不适用于我,因为创建的列表太大,导致我这边出现内存错误(7500天*15000家公司)。今晚将尝试第二个解决方案。