Python 熊猫:使用分组数据创建滞后列
我正在使用以下Python 熊猫:使用分组数据创建滞后列,python,pandas,time-series,lag,Python,Pandas,Time Series,Lag,我正在使用以下DataFrame: url='https://raw.githubusercontent.com/108michael/ms_thesis/master/crsp.csv' df=pd.read_csv(url) df.head() feccandid fec.dyn feccf cid date_crsp catcode amtsum 0 S8VT00018 NaN NaN N00000534 2005
DataFrame
:
url='https://raw.githubusercontent.com/108michael/ms_thesis/master/crsp.csv'
df=pd.read_csv(url)
df.head()
feccandid fec.dyn feccf cid date_crsp catcode amtsum
0 S8VT00018 NaN NaN N00000534 2005 J2100 2.1
1 S8VT00018 NaN NaN N00000534 2005 L1200 5.0
2 S8VT00018 NaN NaN N00000534 2005 J7300 0.0
4 S8NM00127 0.561 0.382 N00015616 2006 G2900 2.5
5 S8NJ00350 -0.329 NaN N00000854 2005 LG000 7.5
我想将amtsum的amtsum
值逐年延迟。下面的代码显示了我是如何导出amtsum的,并提供了对我期望结果性质的深入了解:
crsp['amtsum']=crsp[['date_crsp', 'cid', 'catcode', 'amount']].\
groupby(['date_crsp', 'catcode','cid']).amount.transform('sum')
crsp['amtsum'] = crsp['amtsum'] / 1000
crsp.drop(['amount'], axis=1, inplace=True)
crsp.drop_duplicates(inplace=True, keep='first')
我尝试使用以下代码获取滞后值:
crsp['amtsumlag.1']=crsp.groupby(['date_crsp','catcode', 'cid'])['amtsum'].shift(1)
这是回报
feccandid fec.dyn feccf cid date_crsp catcode amtsum amtsumlag.1
0 S8VT00018 NaN NaN N00000534 2005 J2100 2.1 NaN
1 S8VT00018 NaN NaN N00000534 2005 L1200 5.0 NaN
2 S8VT00018 NaN NaN N00000534 2005 J7300 0.0 NaN
4 S8NM00127 0.561 0.382 N00015616 2006 G2900 2.5 NaN
5 S8NJ00350 -0.329 NaN N00000854 2005 LG000 7.5 NaN
由于我的
日期\u crsp
范围是从2005年到2014年,我预计2005年会有NaN
,但2006年不会。我也只选择了2005年之后的日期,得到了同样的结果。有人知道如何解决这个问题吗?你需要研究你的.groupby()
逻辑
crsp.groupby(['date_crsp','catcode', 'cid']).size().value_counts()
导致
1 444508
2 5281
3 619
4 3
大多数组只有一个值,所以没有太多的变化。毫不奇怪
crsp['amtsumlag.1'] = crsp.groupby(['catcode', 'cid', 'date_crsp'])['amtsum'].shift(1)
结果:
Data columns (total 8 columns):
feccandid 456939 non-null object
feccandcfscore.dyn 445710 non-null float64
feccandcfscore 355887 non-null float64
cid 456939 non-null object
date_crsp 456939 non-null int64
catcode 456939 non-null object
amtsum 456939 non-null float64
amtsumlag.1 6528 non-null float64
例如,如果您想按日期使用.shift()
,您可能不想在.groupby()
中使用它-每个组将只包含一年。人们希望在.groupby()
中看到唯一的组id
变量,理想情况下是一个DateTimeIndex
,或者一个排序的DataFrame
。因此,.sort\u values('date\u crsp')
可能是个好主意
crsp['amtsumlag.1'] = crsp.sort_values('date_crsp').groupby(['catcode', 'cid'])['amtsum'].shift(1)
相反,结果是:
feccandid 456939 non-null object
feccandcfscore.dyn 445710 non-null float64
feccandcfscore 355887 non-null float64
cid 456939 non-null object
date_crsp 456939 non-null int64
catcode 456939 non-null object
amtsum 456939 non-null float64
amtsumlag.1 301280 non-null float64
dtypes: float64(4), int64(1), object(3)
如果不了解足够的数据,无法理解您试图落后的群体的特征,则很难提供更具体的答案。如果您想将年份调整一次,请准备一列新的年份:
crsp['next_year'] = crsp['date_crsp'] + 1
然后按[“下一年”、“catcode”、“cid”]
分组,而不是按[“日期”、“catcode”、“cid”]
:
crsp['amtsumlag.1'] = (crsp.groupby(['next_year', 'catcode', 'cid'])['amount']
.transform('sum'))
感谢您的评论和建议。我认识到没有唯一索引是一个问题。不幸的是,它不是一个非常“正常”的数据帧。我在胡思乱想一些不同的想法,例如,根据日期crsp
创建一个日期crsp\u滞后
,看看这样的方法是否可行。非常感谢你的回答,这是一个适合不同情况的聪明解决方案。