在对季度 yield 日期的 Pandas DataFrame 进行操作时,并意识到我想要进行季度与季度(即第二季度到第三季度)的比较,我意识到我应该确定我的数据排序正确且完整。
所以, 1. 始终是“正确”的季度(q1->q2->q3->q4->q1->q2...) 2. 并且不缺少任何四分之一 (q1->q2->q4->q1->q2->q3) 不如缺少 q3。
我已经加载了一个数据帧,并认为在 pandas 中检查它比返回并检查预加载更有意义。
我想出了两个稍微有点创可贴的解决方案来解决问题,但我认为发布问题和我的解决方案可能会很有趣,看看是否有人有一些启发或发现这很有趣。有时似乎很难找到 Pandas 信息来帮助我从初级到中级水平。
我想对于这个问题有一个更优雅的解决方案,并且可能还有一个我可以在这里学习和应用的更广泛适用的概念以及其他问题。话不多说。或者是废话?...
我有一组财务 yield 数据。它看起来像这样:
Index Symbol Time Earning_Date Year Quarter Last_Quarter
0 AAPL 16:30:00 10/27/2015 2015 Q4 Q3
1 AAPL 16:30:00 7/21/2015 2015 Q3 Q2
2 AAPL 16:30:00 4/27/2015 2015 Q2 Q1
3 AAPL 16:30:00 1/27/2015 2015 Q1 Q4
4 AAPL 16:30:00 10/20/2014 2014 Q4 Q3
5 AAPL 16:30:00 7/22/2014 2014 Q3 Q2
6 AAPL 16:30:00 4/23/2014 2014 Q2 Q1
7 AAPL 16:30:00 1/27/2014 2014 Q1 Q4
8 AAPL 16:30:00 10/28/2013 2013 Q4 Q3
9 AAPL 16:30:00 7/23/2013 2013 Q3 Q2
10 AAPL 16:30:00 4/23/2013 2013 Q2 Q1
11 AAPL 16:30:00 1/23/2013 2013 Q1 Q4
12 AAPL 16:30:00 10/25/2012 2012 Q4 Q3
13 AAPL 16:30:00 7/24/2012 2012 Q3 Q2
14 AAPL 16:30:00 4/24/2012 2012 Q2 Q1
15 AAPL 16:30:00 1/24/2012 2012 Q1 Q4
16 AAPL 16:30:00 10/18/2011 2011 Q4 Q3
17 AAPL 16:30:00 7/19/2011 2011 Q3 Q2
18 AAPL 16:30:00 4/20/2011 2011 Q2 Q1
19 AAPL 16:30:00 1/18/2011 2011 Q1 NaN
首先,全面披露 - 我已经用“解决方案”填充了此 DF,以解决将 Last_Quarter 附加到每行的问题 - 我只是使用 .shift(-1) 来填充它。我确信这可以做得更好——数据对于 DF 来说至关重要,因为它帮助我以两种方式解决了问题。但如果我们在没有 Last_Quarter 列的情况下解决问题也没关系。希望这是有道理的。
更大的问题是清理潜在丢失或错误的数据。如果一只股票跳过了 yield 季度,或者我的数据被损坏,则序列可能会显示为 Index 2 Quarter Q2、Index 3 Quarter Q4,因此 Q3 被跳过,并且许多假设可能是错误的。所以我想确保所有数据 Q1 遵循 Q4,Q2 遵循 Q1,Q3 遵循 Q2,Q4 遵循 Q3。
如果数据不好,至少要抛出一个异常。以下是我们提出的两个解决方案:
accptbl_qtr_pr_tpls = [('Q3','Q4'),('Q4','Q1'),('Q1','Q2'),('Q2','Q3')]
rows_that_pass = 0
rows_total = len(self.df)
print 'total rows', rows_total
for accptbl_qtr_pr_tpl in accptbl_qtr_pr_tpls:
foo = self.df.ix[(self.df['Last_Quarter'] == accptbl_qtr_pr_tpl[0]) & (self.df['Quarter'] == accptbl_qtr_pr_tpl[1])]
rows_that_pass += len(foo)
if rows_total != 1+rows_that_pass: # the + 1 is to account for NaN in earliest result last_quarter column
print 'quarter issue!, exiting'
我们还想出了:
if not (((self.df['Last_Quarter'] == 'Q1') & (self.df['Quarter'] == 'Q2')).any() and ((self.df['Last_Quarter'] == 'Q2') & (self.df['Quarter'] == 'Q3')).any() \
and ((self.df['Last_Quarter'] == 'Q3') & (self.df['Quarter'] == 'Q4')).any() and ((self.df['Last_Quarter'] == 'Q4') & (self.df['Quarter'] == 'Q1')).any()):
print "bad data"
else:
print 'good data'
我想我会把这个扔在这里,看看我们有多聪明,或者我们在解决一个已解决的问题上浪费了多少时间
最佳答案
我将编写一个函数,根据 Quarter 和 Last_Quarter 中值的有效组合返回 True 或 False,然后通过按行应用该函数来创建一个包含有效状态结果的新列。
这将使您能够获取仅包含好行或坏行的 DataFrame 切片。
该函数看起来像这样:
def check_quarters(row):
# if either Quarter or Last_Quarter is NaN, return False
if (row['Quarter'] != row['Quarter']) or (row['Last_Quarter'] != row['Last_Quarter']):
return False
# check for valid combination when Quarter is Q2 Q3 or Q4
if int(row['Quarter'][1:2]) - 1 == int(row['Last_Quarter'][1:2]):
return True
# check for valid combination when Quarter is Q1
elif int(row['Quarter'][1:2]) == 1 and int(row['Last_Quarter'][1:2]) == 4:
return True
else:
return False
应用该函数来创建新列:
df['Valid_Quarters'] = df.apply(check_quarters, axis = 1)
现在您可以对 DataFrame 进行切片以仅获取有效行:
df.loc[df['Valid_Quarters'],:]
关于python - 检测 Python Pandas DataFrame 连续行中的错误数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34668109/