python - 在 Pandas 中重采样和归一化不规则时间序列数据

标签 python pandas time-series aggregate

我有不规则间隔的时间序列数据。我有总能源使用量和能源使用的持续时间。

Start Date  Start Time      Duration (Hours)    Usage(kWh)
1/3/2016    12:28:00 PM     2.233333333         6.23
1/3/2016    4:55:00 PM      1.9                 11.45
1/4/2016    6:47:00 PM      7.216666667         11.93
1/4/2016    7:00:00 AM      3.45                9.45
1/4/2016    7:26:00 AM      1.6                 7.33
1/4/2016    7:32:00 AM      1.6                 4.54

我想计算 15 分钟窗口内所有负载曲线的总和。我可以在必要时四舍五入(例如,最近的 1 分钟)。我不能立即使用重新采样,因为它会将使用量平均到下一个时间戳中,在第一个条目 1/3 12:28 PM 的情况下,将需要 6.23 kWh 并均匀分布到下午 4:55,这是不准确的。 6.23 kWh 应该分布到 12:28 PM + 2.23 hrs ~= 2:42 PM。

最佳答案

这是一个简单的实现,它只设置了一个系列, result,其索引具有分钟频率,然后循环遍历行 df(使用 df.itertuples)并为每个添加适当的功率 关联区间中的行:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

df = pd.DataFrame({'Duration (Hours)': [2.233333333, 1.8999999999999999, 7.2166666670000001, 3.4500000000000002, 1.6000000000000001, 1.6000000000000001], 'Start Date': ['1/3/2016', '1/3/2016', '1/4/2016', '1/4/2016', '1/4/2016', '1/4/2016'], 'Start Time': ['12:28:00 PM', '4:55:00 PM', '6:47:00 PM', '7:00:00 AM', '7:26:00 AM', '7:32:00 AM'], 'Usage(kWh)': [6.2300000000000004, 11.449999999999999, 11.93, 9.4499999999999993, 7.3300000000000001, 4.54]} ) 

df['duration'] = pd.to_timedelta(df['Duration (Hours)'], unit='H')
df['start_date'] = pd.to_datetime(df['Start Date'] + ' ' + df['Start Time'])
df['end_date'] = df['start_date'] + df['duration']
df['power (kW/min)'] = df['Usage(kWh)']/(df['Duration (Hours)']*60)
df = df.drop(['Start Date', 'Start Time', 'Duration (Hours)'], axis=1)

result = pd.Series(0,
    index=pd.date_range(df['start_date'].min(), df['end_date'].max(), freq='T'))

power_idx = df.columns.get_loc('power (kW/min)')+1
for row in df.itertuples():
    result.loc[row.start_date:row.end_date] += row[power_idx]

# The sum of the usage over 15 minute windows is computed using the `resample/sum` method:
usage = result.resample('15T').sum()
usage.plot(kind='line', label='usage')
plt.legend(loc='best')
plt.show()

enter image description here

关于性能的注意事项:遍历 df 的行不是很方便 快,尤其是 len(df) 很大的时候。为了获得更好的性能,您可能需要一个 more clever method , 它处理 以矢量化方式“同时”处理所有行:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# Here is an example using a larger DataFrame
N = 10**3
dates = pd.date_range('2016-1-1', periods=N*10, freq='H')
df = pd.DataFrame({'Duration (Hours)': np.random.uniform(1, 10, size=N), 
                   'start_date': np.random.choice(dates, replace=False, size=N), 
                   'Usage(kWh)': np.random.uniform(1,20, size=N)})
df['duration'] = pd.to_timedelta(df['Duration (Hours)'], unit='H')
df['end_date'] = df['start_date'] + df['duration']
df['power (kW/min)'] = df['Usage(kWh)']/(df['Duration (Hours)']*60)

def using_loop(df):
    result = pd.Series(0,
        index=pd.date_range(df['start_date'].min(), df['end_date'].max(), freq='T'))
    power_idx = df.columns.get_loc('power (kW/min)')+1
    for row in df.itertuples():
        result.loc[row.start_date:row.end_date] += row[power_idx]
    usage = result.resample('15T').sum()
    return usage

def using_cumsum(df):
    result = pd.melt(df[['power (kW/min)','start_date','end_date']], 
                     id_vars=['power (kW/min)'], var_name='usage', value_name='date')
    result['usage'] = result['usage'].map({'start_date':1, 'end_date':-1})
    result['usage'] *= result['power (kW/min)']
    result = result.set_index('date')
    result = result[['usage']].resample('T').sum().fillna(0).cumsum()
    usage = result.resample('15T').sum()
    return usage

usage = using_cumsum(df)
usage.plot(kind='line', label='usage')
plt.legend(loc='best')
plt.show()

len(df) 等于 1000 时,using_cumsumusing_loop 快 10 倍以上:

In [117]: %timeit using_loop(df)
1 loop, best of 3: 545 ms per loop

In [118]: %timeit using_cumsum(df)
10 loops, best of 3: 52.7 ms per loop

关于python - 在 Pandas 中重采样和归一化不规则时间序列数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39078835/

相关文章:

python - 无法使用任何方法使用 python (3.8) 脚本打开 Microsoft Teams

python - 查找某个字符在单词中第一次出现的位置

django - Django/Python 中的实时数据处理

python - 在多索引数据集中按名称引用 pandas 索引

python - 无法将字符串列转换为 pandas 中的 float

r - 使用与 R 数据框中多个时间序列的最新日期相对应的值创建条形图

time-series - 在 InfluxDB 中计算费率

python - 实现一个 `Card` 类

python - 使用 map() 调用列表上的函数更像 Pythonic,还是更传统的迭代?

Python - 如何使用多个分隔符拆分列值