Python 如何对数据中的日期进行智能索引，而数据中的日期缺失
我有这样一个数据框：Python 如何对数据中的日期进行智能索引，而数据中的日期缺失,python,pandas,date,indexing,Python,Pandas,Date,Indexing,我有这样一个数据框： id date value 1 2017-01-01 10 1 2017-01-01 20 1 2017-01-02 10 1 2017-01-02 15 1 2017-01-07 25 2 2017-05-01 10 2 2017-05-01 15 2 2017-05-20 30 3 2010-08-08 40 3
id date value
1 2017-01-01 10
1 2017-01-01 20
1 2017-01-02 10
1 2017-01-02 15
1 2017-01-07 25
2 2017-05-01 10
2 2017-05-01 15
2 2017-05-20 30
3 2010-08-08 40
3 2010-08-11 20
3 2010-08-11 43
id date value index
1 2017-01-01 30 1
1 2017-01-02 25 2
1 2017-01-07 25 3
2 2017-05-01 25 1
2 2017-05-20 30 2
3 2010-08-08 40 1
3 2010-08-11 63 2
id date value
1 2017-01-01 10
1 2017-01-01 20
1 2017-01-02 10
1 2017-01-02 15
1 2017-01-07 25
2 2017-05-01 10
2 2017-05-01 15
2 2017-05-20 30
3 2010-08-08 40
3 2010-08-11 20
3 2010-08-11 43
id date value index
1 2017-01-01 30 1
1 2017-01-02 25 2
1 2017-01-07 25 3
2 2017-05-01 25 1
2 2017-05-20 30 2
3 2010-08-08 40 1
3 2010-08-11 63 2
>>> df
id date value
0 1 2017-01-01 10
1 1 2017-01-01 20
2 1 2017-01-02 10
3 1 2017-01-02 15
4 1 2017-01-07 25
5 2 2017-05-01 10
6 2 2017-05-01 15
7 2 2017-05-20 30
8 3 2010-08-08 40
9 3 2010-08-11 20
10 3 2010-08-11 43
.sum（）由于_index=False，因此日期列不会成为索引sort=False
使其不按日期排序
>>> g = df.groupby(['date', 'id'], as_index=False, sort=False).sum()
>>> g
date id value
2 2017-01-01 1 30
3 2017-01-02 1 25
4 2017-01-07 1 25
5 2017-05-01 2 25
6 2017-05-20 2 30
0 2010-08-08 3 40
1 2010-08-11 3 63
第二部分的意思有点模糊，但假设它意味着相等ID的累积和：
>>> g['index'] = g.assign(count=1).groupby('id').cumsum()['count']
>>> g
date id value index
2 2017-01-01 1 30 1
3 2017-01-02 1 25 2
4 2017-01-07 1 25 3
5 2017-05-01 2 25 1
6 2017-05-20 2 30 2
0 2010-08-08 3 40 1
1 2010-08-11 3 63 2
在这里，我们将g['index']
分配给count
列的累积和，我们给每个元素一个等于1的数据帧
如果您实际指的是每个类似月份的累计总和，那么可以通过按df.date.dt.month
分组并应用类似的方法来实现。熊猫是您的朋友
>>> df
id date value
0 1 2017-01-01 10
1 1 2017-01-01 20
2 1 2017-01-02 10
3 1 2017-01-02 15
4 1 2017-01-07 25
5 2 2017-05-01 10
6 2 2017-05-01 15
7 2 2017-05-20 30
8 3 2010-08-08 40
9 3 2010-08-11 20
10 3 2010-08-11 43
按日期和id对数据进行分组，这样就不会使用.sum（）
对数据进行求和由于_index=False，因此日期列不会成为索引sort=False
使其不按日期排序
>>> g = df.groupby(['date', 'id'], as_index=False, sort=False).sum()
>>> g
date id value
2 2017-01-01 1 30
3 2017-01-02 1 25
4 2017-01-07 1 25
5 2017-05-01 2 25
6 2017-05-20 2 30
0 2010-08-08 3 40
1 2010-08-11 3 63
第二部分的意思有点模糊，但假设它意味着相等ID的累积和：
>>> g['index'] = g.assign(count=1).groupby('id').cumsum()['count']
>>> g
date id value index
2 2017-01-01 1 30 1
3 2017-01-02 1 25 2
4 2017-01-07 1 25 3
5 2017-05-01 2 25 1
6 2017-05-20 2 30 2
0 2010-08-08 3 40 1
1 2010-08-11 3 63 2
在这里，我们将g['index']
分配给count
列的累积和，我们给每个元素一个等于1的数据帧
如果您实际指的是每个类似月份的累计总和，则可以通过按df.date.dt.month
分组并应用类似的方法来实现。sum
和cumcount
df1=df.groupby(['id','date'],as_index=False).value.sum()
df1['index']=df1.groupby('id',as_index=False).cumcount().add(1)
df1
Out[167]:
id date value index
0 1 2017-01-01 30 1
1 1 2017-01-02 25 2
2 1 2017-01-07 25 3
3 2 2017-05-01 25 1
4 2 2017-05-20 30 2
5 3 2010-08-08 40 1
6 3 2010-08-11 63 2
sum
和cumcount
df1=df.groupby(['id','date'],as_index=False).value.sum()
df1['index']=df1.groupby('id',as_index=False).cumcount().add(1)
df1
Out[167]:
id date value index
0 1 2017-01-01 30 1
1 1 2017-01-02 25 2
2 1 2017-01-07 25 3
3 2 2017-05-01 25 1
4 2 2017-05-20 30 2
5 3 2010-08-08 40 1
6 3 2010-08-11 63 2
添加与日期相关的索引列
请详细解释。添加与日期相关的索引列
请详细解释。