pandas中时序数据分组运算的示例分析

1 简介

我们在使用pandas分析处理时间序列数据时，经常需要对原始时间粒度下的数据，按照不同的时间粒度进行分组聚合运算，譬如基于每个交易日的股票收盘价，计算每个月的最低和最高收盘价。

而在pandas中，针对不同的应用场景，我们可以使用resample()、groupby()以及Grouper()来非常高效快捷地完成此类任务。

2 在pandas中进行时间分组聚合

在pandas中根据具体任务场景的不同，对时间序列进行分组聚合可通过以下两类方式实现：

2.1 利用resample()对时序数据进行分组聚合

resample原始的意思是「重采样」，可分为「上采样」与「下采样」，而我们通常情况下使用的都是「下采样」，也就是从高频的数据中按照一定规则计算出更低频的数据，就像我们一开始说的对每日数据按月汇总那样。

如果你熟悉pandas中的groupby()分组运算，那么你就可以很快地理解resample()的使用方式，它本质上就是在对时间序列数据进行"分组"，最基础的参数为rule，用于设置按照何种方式进行重采样，就像下面的例子那样：

import pandas as pd

# 记录了2013-02-08到2018-02-07之间每个交易日苹果公司的股价
AAPL = pd.read_csv('AAPL.csv', parse_dates=['date'])

# 以月为统计窗口计算每月股票最高收盘价
(
    AAPL
    .set_index('date') # 设置date为index
    .resample('M') # 以月为单位
    .agg({
        'close': ['max', 'min']
    })
)

可以看到，在上面的例子中，我们对index为日期时间类型的DataFrame应用resample()方法，传入的参数'M'是resample第一个位置上的参数rule，用于确定时间窗口的规则，譬如这里的字符串'M'就代表「月且聚合结果中显示对应月的最后一天」，常用的固化的时间窗口规则如下表所示：

且这些规则都可以在前面添加数字实现倍数效果：

# 以6个月为统计窗口计算每月股票平均收盘价且显示为当月第一天
(
    AAPL
    .set_index('date') # 设置date为index
    .resample('6MS') # 以6个月为单位
    .agg({
        'close': 'mean'
    })
)

且resample()非常贴心之处在于它会自动帮你对齐到规整的时间单位上，譬如我们这里只有交易日才会有记录，如果我们设置的时间单位下无对应记录，也会为你保留带有缺失值记录的时间点：

(
    AAPL
    .set_index('date') # 设置date为index
    .resample('1D') # 以1日为单位
    .agg({
        'close': 'mean'
    })
)

而通过参数closed我们可以为细粒度的时间单位设置区间闭合方式，譬如我们以2日为单位，将closed设置为'right'时，从第一行记录开始计算所落入的时间窗口时，其对应为时间窗口的右边界，从而影响后续所有时间单元的划分方式：

(
    AAPL
    .set_index('date') # 设置date为index
    .resample('2D', closed='right')
    .agg({
        'close': 'mean'
    })
)

而即使你的数据框index不是日期时间类型，也可以使用参数on来传入日期时间列名实现同样的效果。

2.2 利用groupby()+Grouper()实现混合分组

有些情况下，我们不仅仅需要利用时间类型列来分组，也可能需要包含时间类型在内的多个列共同进行分组，这种情况下我们就可以使用到Grouper()。

它通过参数freq传入等价于resample()中rule的参数，并利用参数key指定对应的时间类型列名称，但是可以帮助我们创建分组规则后传入groupby()中：

# 分别对苹果与微软每月平均收盘价进行统计
(
    pd
    .read_csv('AAPL&MSFT.csv', parse_dates=['date'])
    .groupby(['Name', pd.Grouper(freq='MS', key='date')])
    .agg({
        'close': 'mean'
    })
)

且在此种混合分组模式下，我们可以非常方便的配合apply、transform等操作，这里就不再赘述。