python - 使用 Pandas 中的日期时间索引滚动前瞻总和

Question

我有以下简化格式的多变量时间序列/面板数据:

id,date,event_ind
1,2014-01-01,0
1,2014-01-02,1
1,2014-01-03,1
2,2014-01-01,1
2,2014-01-02,1
2,2014-01-03,1
3,2014-01-01,0
3,2014-01-02,0
3,2014-01-03,1

对于这个简化的示例，我希望 event_ind 的 future 2 天总和按 id 分组

出于某种原因，改编这个例子仍然给我“索引不是单调错误”:how to do forward rolling sum in pandas?

这是我的方法，在我采用它之前，它对过去的分组滚动有效:

df.sort_values(['id','date'], ascending=[True,True], inplace=True)
df.reset_index(drop=True, inplace=True)

df['date'] = pd.DatetimeIndex(df['date'])
df.set_index(['date'], drop=True, inplace=True)

rolling_forward_2_day = lambda x: x.iloc[::-1].rolling('2D').sum().shift(1).iloc[::-1]
df['future_2_day_total'] = df.groupby(['id'], sort=False)['event_ind'].transform(rolling_forward_2_day)
df.reset_index(drop=False, inplace=True)

这是预期的结果:

   id        date  event_ind  future_2_day_total
0   1  2014-01-01          0                   2
1   1  2014-01-02          1                   1
2   1  2014-01-03          1                   0
3   2  2014-01-01          1                   2
4   2  2014-01-02          1                   1
5   2  2014-01-03          1                   0
6   3  2014-01-01          0                   1
7   3  2014-01-02          0                   1
8   3  2014-01-03          1                   0

关于我可能做错了什么或高性能替代方案的任何提示都会很棒!

编辑:

一个快速的澄清。此示例经过简化，有效的解决方案需要能够处理间隔不均匀/不规则的时间序列，这就是使用基于时间的索引进行滚动的原因。

Answer 1

您仍然可以在此处使用rolling，但要将其与标志一起使用 win_type='boxcar' 并且在求和之前和之后移动数据:

df['future_day_2_total'] = (
    df.groupby('id').event_ind.shift(-1)
    .fillna(0).groupby(df.id).rolling(2, win_type='boxcar')
    .sum().shift(-1).fillna(0)
)

   id        date  event_ind  future_day_2_total
0   1  2014-01-01          0                 2.0
1   1  2014-01-02          1                 1.0
2   1  2014-01-03          1                 0.0
3   2  2014-01-01          1                 2.0
4   2  2014-01-02          1                 1.0
5   2  2014-01-03          1                 0.0
6   3  2014-01-01          0                 1.0
7   3  2014-01-02          0                 1.0
8   3  2014-01-03          1                 0.0