将缺失的日期添加到熊猫数据框

问题描述：

我的数据在给定日期可能有多个事件，也可能在某个日期没有事件。我获取这些事件，按日期计数并绘制它们。但是，当我绘制它们时，我的两个系列并不总是匹配。

idx = pd.date_range(df['simpleDate'].min(), df['simpleDate'].max())
s = df.groupby(['simpleDate']).size()

在上面的代码中，idx变成了一个范围，比如说 30 个日期。09-01-2013 至 09-30-2013 但是S可能只有 25 或 26 天，因为给定日期没有发生任何事件。然后，当我尝试绘图时，由于大小不匹配，我得到了一个 AssertionError：

fig, ax = plt.subplots()    
ax.bar(idx.to_pydatetime(), s, color='green')

解决这个问题的正确方法是什么？我想从IDX中删除没有值的日期，还是（我更愿意这样做）将缺失日期添加到系列中，计数为 0。我宁愿有一个 30 天的完整图表，其中有 0 个值。如果这种方法正确，有什么关于如何开始的建议吗？我需要某种动态reindex函数吗？

这是S ( )的片段df.groupby(['simpleDate']).size() ，请注意没有 04 和 05 的条目。

09-02-2013     2
09-03-2013    10
09-06-2013     5
09-07-2013     1

解决方案 1：

您可以使用Series.reindex：

import pandas as pd

idx = pd.date_range('09-01-2013', '09-30-2013')

s = pd.Series({'09-02-2013': 2,
               '09-03-2013': 10,
               '09-06-2013': 5,
               '09-07-2013': 1})
s.index = pd.DatetimeIndex(s.index)

s = s.reindex(idx, fill_value=0)
print(s)

产量

2013-09-01     0
2013-09-02     2
2013-09-03    10
2013-09-04     0
2013-09-05     0
2013-09-06     5
2013-09-07     1
2013-09-08     0
...

解决方案 2：

更快捷的解决方法是使用.asfreq()。这不需要创建新的索引来在内调用.reindex()。

# "broken" (staggered) dates
dates = pd.Index([pd.Timestamp('2012-05-01'), 
                  pd.Timestamp('2012-05-04'), 
                  pd.Timestamp('2012-05-06')])
s = pd.Series([1, 2, 3], dates)

print(s.asfreq('D'))
2012-05-01    1.0
2012-05-02    NaN
2012-05-03    NaN
2012-05-04    2.0
2012-05-05    NaN
2012-05-06    3.0
Freq: D, dtype: float64

解决方案 3：

另一种方法是resample，它除了可以处理缺失日期外，还可以处理重复日期。例如：

df.resample('D').mean()

resample是一个延迟操作，groupby因此您需要在其后执行另一个操作。在这种情况下mean效果很好，但您也可以使用许多其他 Pandas 方法max，例如sum、等。

这是原始数据，但多了“2013-09-03”的条目：

             val
date           
2013-09-02     2
2013-09-03    10
2013-09-03    20    <- duplicate date added to OP's data
2013-09-06     5
2013-09-07     1

结果如下：

             val
date            
2013-09-02   2.0
2013-09-03  15.0    <- mean of original values for 2013-09-03
2013-09-04   NaN    <- NaN b/c date not present in orig
2013-09-05   NaN    <- NaN b/c date not present in orig
2013-09-06   5.0
2013-09-07   1.0

我将缺失的日期保留为 NaN，以清楚地说明其工作原理，但您可以fillna(0)按照 OP 的要求将 NaN 替换为零，或者使用类似方法interpolate()根据相邻行填充非零值。

解决方案 4：

一个问题是，reindex如果存在重复值，则将会失败。假设我们正在处理带时间戳的数据，我们希望按日期进行索引：

df = pd.DataFrame({
    'timestamps': pd.to_datetime(
        ['2016-11-15 1:00','2016-11-16 2:00','2016-11-16 3:00','2016-11-18 4:00']),
    'values':['a','b','c','d']})
df.index = pd.DatetimeIndex(df['timestamps']).floor('D')
df

产量

            timestamps             values
2016-11-15  "2016-11-15 01:00:00"  a
2016-11-16  "2016-11-16 02:00:00"  b
2016-11-16  "2016-11-16 03:00:00"  c
2016-11-18  "2016-11-18 04:00:00"  d

由于2016-11-16日期重复，尝试重新索引：

all_days = pd.date_range(df.index.min(), df.index.max(), freq='D')
df.reindex(all_days)

失败：

...
ValueError: cannot reindex from a duplicate axis

（这意味着索引有重复，而不是它本身就是重复）

相反，我们可以用来.loc查找范围内所有日期的条目：

df.loc[all_days]

产量

            timestamps             values
2016-11-15  "2016-11-15 01:00:00"  a
2016-11-16  "2016-11-16 02:00:00"  b
2016-11-16  "2016-11-16 03:00:00"  c
2016-11-17  NaN                    NaN
2016-11-18  "2016-11-18 04:00:00"  d

fillna如果需要，可以在列系列上使用来填补空白。

解决方案 5：

这是一个将缺失日期填写到数据框中的好方法，您可以选择fill_value来days_back填写，并使用排序顺序 ( date_order) 对数据框进行排序：

def fill_in_missing_dates(df, date_col_name = 'date',date_order = 'asc', fill_value = 0, days_back = 30):

    df.set_index(date_col_name,drop=True,inplace=True)
    df.index = pd.DatetimeIndex(df.index)
    d = datetime.now().date()
    d2 = d - timedelta(days = days_back)
    idx = pd.date_range(d2, d, freq = "D")
    df = df.reindex(idx,fill_value=fill_value)
    df[date_col_name] = pd.DatetimeIndex(df.index)

    return df

解决方案 6：

s.asfreq('D').interpolate().asfreq('Q')

解决方案 7：

您始终可以使用DataFrame.merge()从“所有日期”DataFrame 到“缺失日期”DataFrame 的左连接。示例如下。

# example DataFrame with missing dates between min(date) and max(date)
missing_df = pd.DataFrame({
    'date':pd.to_datetime([
        '2022-02-10'
        ,'2022-02-11'
        ,'2022-02-14'
        ,'2022-02-14'
        ,'2022-02-24'
        ,'2022-02-16'
    ])
    ,'value':[10,20,5,10,15,30]
})

# first create a DataFrame with all dates between specified start<-->end using pd.date_range()
all_dates = pd.DataFrame(pd.date_range(missing_df['date'].min(), missing_df['date'].max()), columns=['date'])

# from the all_dates DataFrame, left join onto the DataFrame with missing dates
new_df = all_dates.merge(right=missing_df, how='left', on='date')