Python：在缺少的日期范围内向前重新分配值

我有关于设施流量的时间趋势数据（随着时间的推移，设施的入学人数和毕业人数），有差距。由于该数据的结构，当出现差距时，差距前一天的“释放”人为偏高（占差距期间释放的所有看不见的个人），差距后一天的“入院”人为偏高（出于同样的原因：在间隙期间被接纳并留在设施中的任何个人将在该日期作为“接纳”出现）

以下是涉及此类数据缺口的熊猫系列样本（零表示2020-01-04至2020-01-07的数据缺失）：

对此的可视化（忽略缺失总人口的单独线性插值）如下所示：

date(index)    releases    admissions
2020-01-01     15          23
2020-01-02     8           20
2020-01-03     10          14
2020-01-04     10          20
2020-01-05     10          20
2020-01-06     10          20
2020-01-07     10          20
2020-01-08     8           20
2020-01-09     11          19
2020-01-10     9           17

我想平滑这些数据，但我不确定使用什么插值方法。我想完成的是在日期间隔（0）-1时向前重新分配“发布”数据，在日期间隔（n）+1时向后重新分配“入学”数据。例如，如果间隔为4天且在日期间隔（n）时+1有100个招生，我想重新分配，在每一天的差距，有20个招生，当天差距（n）+1招生修改显示20

使用上述示例系列，重新分发将如下所示：

date(index)    releases    admissions
2020-01-01     15          23
2020-01-02     8           20
2020-01-03     10          14
2020-01-04     10          20
2020-01-05     10          20
2020-01-06     10          20
2020-01-07     10          20
2020-01-08     8           20
2020-01-09     11          19
2020-01-10     9           17

---

您可以为

发布

创建前一个连续零+一个值，为

录取

创建后一个值的组，然后使用

转换（“平均值”）

计算每个组的平均值：

# releases
df['releases'] = df.groupby(
    df['releases'].replace(0, np.nan).notna().cumsum()
)['releases'].transform('mean')

# admissions
df['admissions'] = df.groupby(
    df['admissions'].replace(0, np.nan).notna().iloc[::-1].cumsum().iloc[::-1]
)['admissions'].transform('mean')

输出：

            releases  admissions
date                            
2020-01-01        15          23
2020-01-02         8          20
2020-01-03        10          14
2020-01-04        10          20
2020-01-05        10          20
2020-01-06        10          20
2020-01-07        10          20
2020-01-08         8          20
2020-01-09        11          19
2020-01-10         9          17

---

很漂亮，谢谢！