Python 使用开始日期重新采样

我想使用特定的日期（或月份）作为第一个箱子的边缘对熊猫对象重新采样。例如，在下面的代码片段中，我希望我的第一个索引值是

2020-02-29

，我很乐意指定

start=2

或

start=“2020-02-29”

日期=pd.日期范围（“2020-01-29”、“2021-07-04”） >>>s=pd.系列（范围（长度（日期）），索引=日期） >>>s.重新采样（'4M'）。计数（） 2020-01-31 3 2020-05-31 121 2020-09-30 122 2021-01-31 123 2021-05-31 120 2021-09-30 34 频率：4M，数据类型：int64 到目前为止，这是我能想到的最干净的用法

pd.cut

和

groupby

：

>>规则=“4M”
>>>开始=pd.时间戳（“2020-02-29”）-pd.序列频率至偏移量（规则）
>>>end=s.index.max（）+pd.tseries.frequencies.to_offset（规则）
>>>bins=pd.日期\范围（开始、结束、频率=规则）
>>>gb=s.groupby（pd.cut（s.index，bin））.count（）
>>>gb.index=gb.index.categories.right
>>>国标
2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
数据类型：int64

您只需使用

pd.cut

如下所示：

>>> gb = pd.cut(s.index, bins).value_counts()
>>> gb.index = gb.index.categories.right
>>> gb
2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
dtype: int64

---

没有必要使用

groupby

我的答案感觉有点粗糙，但使用

重采样

并给出所需的输出。在指定日期之前查找一个bin长度的日期（例如，4个月，或具体的月末），将其附加到

s

，然后

重新采样

：

rule = '4M'
date = '02-29-2020'

base_date = pd.to_datetime(date) - pd.tseries.frequencies.to_offset(rule)
s.loc[base_date] = np.nan
output = s.resample(rule=rule, label='right',).count()
output=output[output.index >= date]

结果:

2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
Freq: 4M, dtype: int64

我添加了

output=output[output.index>=date]

b/c，否则您会得到一个额外的空箱子：

2019-10-31      0
2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
Freq: 4M, dtype: int64

---

处理月间隔时的另一种方法是将datetime索引转换为年和月的整数，删除定义的开始日期和规则中的一些模值。在groupby中使用此选项

rule = '4M'
start = "2020-02-29"

# change types of value
d = pd.Timestamp(start)
nb = int(rule[:-1])

gr = s.groupby(d+(1+((s.index.year*12+s.index.month) #convert datetime index to int
                      -(d.year*12+d.month+1))//nb) # remove start and modulo rule
                  *pd.tseries.frequencies.to_offset(rule) # get rule freq
              ).count()
print (gr)
2020-02-29     32
2020-06-30    121
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4
dtype: int64

现在，与您的方法相比，假设您使用相同的规则（4M）定义了一个日期，该日期不在您的规则定义的前X个月内，如2020-07-31。使用此方法，它给出：

2020-03-31     63 #you get this interval
2020-07-31    121
2020-11-30    122
2021-03-31    121
2021-07-31     95
dtype: int64 

使用您的方法时，您可以获得：

2020-07-31    121  #you loose info from before the 2020-03-31
2020-11-30    122
2021-03-31    121
2021-07-31     95
dtype: int64

---

我知道您在问题中指出，您定义了第一个日期，但使用此方法，您可以定义任何日期，只要规则以月份为单位

这不是原始答案，而是将@ALollz（注释）和@MhdMedf（答案）的改进合并到一个单一答案中，因为它们代表兼容的改进。另请参见下面的计时说明

rule = "4M"
start = pd.Timestamp("2020-02-29") - pd.tseries.frequencies.to_offset(rule)
end = s.index.max() + pd.tseries.frequencies.to_offset(rule)
bins = pd.date_range(start, end, freq=rule)
gb = pd.cut(s.index, bins, labels=bins[1:]).value_counts()

（上面的最后一行替换了OP中答案的最后两行。前四行没有改变，但为了清晰起见，此处包含。）

结果:

2020-02-29     32
2020-06-30    122
2020-10-31    123
2021-02-28    120
2021-06-30    122
2021-10-31      4

---

速度/计时：考虑到只有524行（在我的机器上是6毫秒），OP中的代码花费了大量的时间。使用OP数据，这两项改进结合起来可实现约3倍的加速。当然，在更大的系列/数据帧上，计时结果可能与这里看到的结果有很大不同。

您可以使用

pd.cut（s.index，bin，labels=bin[1:]）

进行分组；指定剪切中的仓可以节省重新定义索引的步骤。此外，由于日期日期与“4M”偏移量完全无关，您可以通过仅指定起始日期的YM来消除歧义：

pd.Timestamp（“2020-02”）

。除此之外，你的切入点很重要。谢谢你的反馈。据我所知，@jsignell正在寻找一种更干净的方法来获得相同的答案。你有更好的答案的建议吗？再次感谢您的时间，我只是说您的答案可能会产生误导，因为看起来您将6行替换为2行，但您的答案也需要6行。您只缩短了6行中的1行（这很好，而且速度也更快）。我唯一的建议是更清楚地说明你的答案与OP中的答案有什么不同，以及如何改进。你也可以展示速度的提高。（我在我的“答案”中这样做了，但我使用的计时是您的改进和@ALollz的组合。）这是一个巧妙的技巧，似乎是最简单的代码，因为它使用重采样。在快速计时测试中，我发现它也比OP答案快，但不如@ALolz/MhdMedfa答案组合快。

output=output.loc[date://code>或
output[1://code>也可以。我喜欢使用
resample
和与我最初的问题陈述相同的聚合方法。谢谢