深入理解使用pandas的groupby与resample后索引的变换

一次使用groupby索引的变化

df = pd.DataFrame({"a":[1,1,2,2,3,3],"b":[1,2,3,4,5,6]})
last_df = df.groupby("a").mean()
print(df)
print(last_df)

out(1）a  b0  1  11  1  22  2  33  2  44  3  55  3  6
out(2)b
a
1  1.5
2  3.5
3  5.5

如图所示，当我使用了一次groupby之后，原本的a列将会变为索引

一次使用resample之后列的变换

temp = []
for i in range(1,6):for j in range(20):temp.append(i)
def mean_rate(alist):if len(alist) < 15:return np.nanelse:return alist.sort_values(ascending=False)[:5].mean()
d = {'price': list(range(100)),'volume': list(range(100,200)),"a":temp}
df = pd.DataFrame(d)
df['week_starting'] = pd.date_range('01/01/2018',periods=100,freq='D')
print(df.resample("1M",on="week_starting").mean())

               price  volume         a
week_starting
2018-01-31      15.0   115.0  1.354839
2018-02-28      44.5   144.5  2.678571
2018-03-31      74.0   174.0  4.290323
2018-04-30      94.5   194.5  5.000000

输出如图所示，会将week_starting当成索引。

如果同时使用groupby与resample将会发生什么呢

temp = []
for i in range(1,6):for j in range(20):temp.append(i)
def mean_rate(alist):if len(alist) < 15:return np.nanelse:return alist.sort_values(ascending=False)[:5].mean()
d = {'price': list(range(100)),'volume': list(range(100,200)),"a":temp}
df = pd.DataFrame(d)
df['week_starting'] = pd.date_range('01/01/2018',periods=100,freq='D')
df.groupby("a").resample("1M",on="week_starting").apply(mean_rate).loc[:,["price"]]

结果如图所示，连续使用groupby与resample之后将会生成双层索引。
并不用担心groupby生成的索引会消失。

深入理解使用pandas的groupby与resample后索引的变换相关推荐

Pandas的时间序列数据-resample重采样（31）
在pandas里对时序的频率的调整称之重新采样,即从一个时频调整为另一个时频的操作,可以借助resample的函数来完成.有upsampling和downsampling(高频变低频)两种.resam ...
玩转 Pandas 的 Groupby 操作
作者:Lemon 来源:Python数据之道玩转 Pandas 的 Groupby 操作大家好,我是 Lemon,今天来跟大家分享下 pandas 中 groupby 的用法. Pandas 的 ...
pandas之groupby分组与pivot_table透视
一.groupby 类似excel的数据透视表,一般是按照行进行分组,使用方法如下. df.groupby(by=None, axis=0, level=None, as_index=True, so ...
Pandas数据分析—groupby分组统计
13.Pandas中groupby分组统计文章目录 13.Pandas中groupby分组统计前言一.分组使用聚合函数做数据统计 1.准备数据二.遍历groupby的结果理解执行流程三.实例 ...
pandas分组groupby(agg,transform),apply
快速浏览 pandas简单介绍和本文说明一.SAC过程二.groupby函数 1. groupby分组函数的基本内容单/多列分组组容量与组数组的遍历 level参数(用于多级索引)和axis ...
pandas使用groupby函数计算dataframe数据中每个分组的N个数值的指数权重移动（滚动）平均、例如，计算某公司的多个店铺每N天（5天）的滚动销售额指数权重移动（滚动）平均
pandas使用groupby函数计算dataframe数据中每个分组的N个数值的指数权重移动(滚动)平均(Exponential Moving Average).例如,计算某公司的多个店铺每N天(5 ...
pandas使用groupby函数计算dataframe数据中每个分组的N个数值的滚动最大值(rolling max)、例如，计算某公司的多个店铺每N天（5天）的滚动销售额最大值
pandas使用groupby函数计算dataframe数据中每个分组的N个数值的滚动最大值(rolling max).例如,计算某公司的多个店铺每N天(5天)的滚动销售额最大值目录
pandas使用groupby函数计算dataframe每个分组对应的数据行的个数（size of each group in dataframe, rows count of group）
pandas使用groupby函数计算dataframe每个分组对应的数据行的个数(size of each group in dataframe, rows count of group) 目录
pandas使用groupby函数计算dataframe数据中每个分组的N个数值的滚动计数个数(rolling count)、例如，计算某公司的多个店铺每N天（5天）的滚动销售额计数个数
pandas使用groupby函数计算dataframe数据中每个分组的N个数值的滚动计数个数(rolling count).例如,计算某公司的多个店铺每N天(5天)的滚动销售额计数个数目录

深入理解使用pandas的groupby与resample后索引的变换

一次使用groupby索引的变化

一次使用resample之后列的变换

如果同时使用groupby与resample将会发生什么呢

深入理解使用pandas的groupby与resample后索引的变换相关推荐

最新文章

热门文章