如何确定使用熊猫数据框捕获数据？

Question

我正在处理由不完整时间序列组成的每小时监测数据，即一年中（或几年内）数小时的数据将从我的数据框中消失。

我想确定数据捕获，即一个月，一个季节或一年中存在的值的百分比。

这适用于下面的代码（用于为月度重采样编写的演示） - 但是那段代码看起来效率不高，因为我需要创建第二个小时数据帧，并且需要重新采样两个数据帧。

有没有更优雅的解决方案呢？

import numpy as np 
import pandas as pd 

# create dummy series 
t1 = pd.date_range(start="1997-01-01 05:00", end="1997-04-25 17:00", freq="H") 
t2 = pd.date_range(start="1997-06-11 15:00", end="1997-06-15 12:00", freq="H") 
t3 = pd.date_range(start="1997-06-18 00:00", end="1997-08-22 23:00", freq="H") 

df1 = pd.DataFrame(np.random.randn(len(t1)), index=t1) 
df2 = pd.DataFrame(np.random.randn(len(t2)), index=t2) 
df3 = pd.DataFrame(np.random.randn(len(t3)), index=t3) 

df = pd.concat((df1, df2, df3)) 

# create time index with complete hourly coverage over entire years 
tstart = "%i-01-01 00:00"%(df.index.year[0]) 
tend = "%i-12-31 23:00"%(df.index.year[-1]) 
tref = pd.date_range(start=tstart, end=tend, freq="H") 
dfref = pd.DataFrame(np.zeros(len(tref)), index=tref) 

# count number of values in reference dataframe and actual dataframe 
# Example: monthly resampling 
cntref = dfref.resample("MS", "count") 
cnt = df.resample("MS", "count").reindex(cntref.index).fillna(0) 

for i in range(len(cnt.index)): 
    print cnt.index[i], cnt.values[i], cntref.values[i], cnt.values[i]/cntref.values[i] 

Answer 1

由于没有进一步的建议，它看起来好像最初发布的解决方案是最有效的。

Answer 2

pandas“Timedelta将这样的伎俩：

# Time delta between rows of the df 
df['index'] = df.index 
pindex = df['index'].shift(1) 
delta = df['index'] - pindex 

# Any delta > 1H means a missing data period 
missing_delta = delta[delta > pd.Timedelta('1H')] 

# Sum of missing data periods divided by total period 
ratio_missing = missing_delta.sum()/(df.index[-1] - df.index[0]) 

Answer 3

您可以使用TimeGrouper。

# Create an hourly index spanning the range of your data. 
idx = pd.date_range(pd.Timestamp(df.index[0].strftime('%Y-%m-%d %H:00')), 
        pd.Timestamp(df.index[-1].strftime('%Y-%m-%d %H:00')), 
        freq='H') 

# Use TimeGrouper to calculate the fraction of observations from `df` that are in the 
# hourly time index. 
>>> (df.groupby(pd.TimeGrouper('M')).size()/
    pd.Series(idx).reindex(idx).groupby(pd.TimeGrouper('M')).size()) 
1997-01-31 1.000000 
1997-02-28 1.000000 
1997-03-31 1.000000 
1997-04-30 0.825000 
1997-05-31 0.000000 
1997-06-30 0.563889 
1997-07-31 1.000000 
1997-08-31 1.000000 
Freq: M, dtype: float64