时间序列 | 重采样及频率转换

数据STUDIO

发布于 2021-06-24 10:25:56

1.4K0

发布于 2021-06-24 10:25:56

文章被收录于专栏：数据STUDIO

重采样及频率转换

重采样（resampling）指的是将时间序列从一个频率转换到另一个频率的处理过程。是对原样本重新处理的一个方法，是一个对常规时间序列数据重新采样和频率转换的便捷的方法。
将高频率数据聚合到低频率称为降采样（downsampling）
而将低频率数据转换到高频率则称为升采样（upsampling）

主要参数说明。 rule : DateOffset, Timedelta or str 表示重采样频率，例如‘M’、‘5min’，Second(15) how : str 用于产生聚合值的函数名或数组函数，例如'mean'、'ohlc'、'np.max'等，默认是'mean'，其他常用的值由：'first'、'last'、'median'、'max'、'min' axis : {0 or 'index', 1 or 'columns'}, default 0 默认是纵轴，横轴设置axis=1 fill_method : str, default None 升采样时如何插值，比如ffill、bfill等 closed : {'right', 'left'}, default None 在降采样时，各时间段的哪一段是闭合的，'right'或'left'，默认'right' label : {'right', 'left'}, default None 在降采样时，如何设置聚合值的标签，例如，9：30-9：35会被标记成9：30还是9：35,默认9：35 convention : {'start', 'end', 's', 'e'}, default 'start' 当重采样时期时，将低频率转换到高频率所采用的约定（'start'或'end'）。默认'end' kind : {'timestamp', 'period'}, optional, default None 聚合到时期（'period'）或时间戳（'timestamp'），默认聚合到时间序列的索引类型 loffset : timedelta, default None 面元标签的时间校正值，比如'-1s'或Second(-1)用于将聚合标签调早1秒 limit : int, default None 在向前或向后填充时，允许填充的最大时期数

>>> rng = pd.date_range('2000-01-01', periods=100, freq='D')
>>> ts = pd.Series(np.random.randn(len(rng)), index=rng)
>>> ts
2000-01-01   -0.184415
2000-01-02   -0.078049
2000-01-03    1.550158
2000-01-04    0.206498
2000-01-05    0.184059
                ...   
2000-04-05   -0.574207
2000-04-06   -1.719587
2000-04-07    0.140673
2000-04-08   -1.234146
2000-04-09   -0.835341
Freq: D, Length: 100, dtype: float64

pandas对象都带有一个resample方法，它是各种频率转换工作的主力函数。

resample有一个类似于groupby的API，调用resample可以分组数据，然后会调用一个聚合函数：

>>> ts.resample('M').mean()
2000-01-31    0.053476
2000-02-29   -0.250708
2000-03-31   -0.054046
2000-04-30   -0.479965
Freq: M, dtype: float64
    
>>> ts.resample('M', kind='period').mean()
2000-01    0.053476
2000-02   -0.250708
2000-03   -0.054046
2000-04   -0.479965
Freq: M, dtype: float64

降采样

在用resample对数据进行降采样时，需要考虑两样东西：

各区间哪边是闭合的。
如何标记各个聚合面元，用区间的开头还是末尾。

# 首先创造一个9:00到9:05分到时期区间
>>> rng = pd.date_range('2020-01-01 9:00:00', periods=6, freq='T')
>>> ts = pd.Series(np.arange(6), index=rng)
>>> ts
2020-01-01 09:00:00    0
2020-01-01 09:01:00    1
2020-01-01 09:02:00    2
2020-01-01 09:03:00    3
2020-01-01 09:04:00    4
2020-01-01 09:05:00    5
Freq: T, dtype: int64

# 通过时间重采用五分钟聚合
>>> ts.resample('5min').sum()
>>> ts.resample('5min', closed = 'left').sum()
>>> ts.resample('5min', closed = 'left',label = 'left').sum()  # 默认
2020-01-01 09:00:00    10
2020-01-01 09:05:00     5
Freq: 5T, dtype: int64

# closed='right', label='left' 右闭合。但标签需要取最左边即09:00:00
>>> ts.resample('5min', closed = 'right').sum()
>>> ts.resample('5min', closed = 'right', label = 'left').sum()
2020-01-01 08:55:00     0
2020-01-01 09:00:00    15
Freq: 5T, dtype: int64

>>> ts.resample('5min', closed = 'right', label = 'right').sum()
2020-01-01 09:00:00     0
2020-01-01 09:05:00    15
Freq: 5T, dtype: int64

>>> ts.resample('5min', closed = 'left',label = 'right').sum()
2020-01-01 09:05:00    10
2020-01-01 09:10:00     5
Freq: 5T, dtype: int64

比如从右边界减去一秒以便更容易明白该时间戳到底表示的是哪个区间。只需通过loffset设置一个字符串或日期偏移量即可实现这个目的。

>>> ts.resample('5min', closed = 'right', label = 'right').sum()
2020-01-01 09:00:00     0
2020-01-01 09:05:00    15
Freq: 5T, dtype: int64

>>> ts.resample('5min', closed='right',label='right', loffset='1s').sum()
2020-01-01 09:00:01     0
2020-01-01 09:05:01    15
dtype: int64

>>> ts.resample('5min', closed='left',label='right', loffset='-1s').sum()
2020-01-01 09:04:59    10
2020-01-01 09:09:59     5
dtype: int64

>>> ts
2020-01-01 09:00:00    0
2020-01-01 09:01:00    1
2020-01-01 09:02:00    2
2020-01-01 09:03:00    3
2020-01-01 09:04:00    4
2020-01-01 09:05:00    5
Freq: T, dtype: int64

OHLC重采样

open high low close

# ts.resample('5min',how = 'ohlc')
ts.resample('5min').ohlc()

	open	high	low	close
2020-01-01 09:00:00	0	4	0	4
2020-01-01 09:05:00	5	5	5	5

升采样和插值

时间戳重采样

frame = pd.DataFrame(np.random.randn(2, 4),
                     index=pd.date_range('1/1/2000', periods=2, freq='W-WED'),
                     columns=['Colorado', 'Texas', 'New York', 'Ohio'])
frame

Out

	Colorado	Texas	New York	Ohio
2000-01-05	0.899396	0.300839	-0.108393	-1.199599
2000-01-12	-0.809829	0.127997	-0.535350	0.230481

df_daily = frame.asfreq('D')  # asfreq方法转换成高频，不经过聚
df_daily

Out

	Colorado	Texas	New York	Ohio
2000-01-05	0.899396	0.300839	-0.108393	-1.199599
2000-01-06	NaN	NaN	NaN	NaN
2000-01-07	NaN	NaN	NaN	NaN
2000-01-08	NaN	NaN	NaN	NaN
2000-01-09	NaN	NaN	NaN	NaN
2000-01-10	NaN	NaN	NaN	NaN
2000-01-11	NaN	NaN	NaN	NaN
2000-01-12	-0.809829	0.127997	-0.535350	0.230481

df_daily = frame.resample('D').asfreq()  # asfreq方法转换成高频，不经过聚
df_daily

Out

	Colorado	Texas	New York	Ohio
2000-01-05	0.899396	0.300839	-0.108393	-1.199599
2000-01-06	NaN	NaN	NaN	NaN
2000-01-07	NaN	NaN	NaN	NaN
2000-01-08	NaN	NaN	NaN	NaN
2000-01-09	NaN	NaN	NaN	NaN
2000-01-10	NaN	NaN	NaN	NaN
2000-01-11	NaN	NaN	NaN	NaN
2000-01-12	-0.809829	0.127997	-0.535350	0.230481

resampling的填充和插值方式跟fillna和reindex的一样

frame.resample('D').ffill()

Out

	Colorado	Texas	New York	Ohio
2000-01-05	0.899396	0.300839	-0.108393	-1.199599
2000-01-06	0.899396	0.300839	-0.108393	-1.199599
2000-01-07	0.899396	0.300839	-0.108393	-1.199599
2000-01-08	0.899396	0.300839	-0.108393	-1.199599
2000-01-09	0.899396	0.300839	-0.108393	-1.199599
2000-01-10	0.899396	0.300839	-0.108393	-1.199599
2000-01-11	0.899396	0.300839	-0.108393	-1.199599
2000-01-12	-0.809829	0.127997	-0.535350	0.230481

frame.resample('D').ffill(limit = 2) # 可以只填充指定的时期数（目的是限制前面的观测值的持续使用距离）：

Out

	Colorado	Texas	New York	Ohio
2000-01-05	0.899396	0.300839	-0.108393	-1.199599
2000-01-06	0.899396	0.300839	-0.108393	-1.199599
2000-01-07	0.899396	0.300839	-0.108393	-1.199599
2000-01-08	NaN	NaN	NaN	NaN
2000-01-09	NaN	NaN	NaN	NaN
2000-01-10	NaN	NaN	NaN	NaN
2000-01-11	NaN	NaN	NaN	NaN
2000-01-12	-0.809829	0.127997	-0.535350	0.230481

时期重采样

由于时期指的是时间区间，所以升采样和降采样的规则就比较严格:

在降采样中，目标频率必须是源频率的子时期（subperiod）。
在升采样中，目标频率必须是源频率的超时期（superperiod）。

frame = pd.DataFrame(np.random.randn(24, 4),
                     index=pd.period_range('1-2000', '12-2001',
                                           freq='M'),
                     columns=['Colorado', 'Texas', 'New York', 'Ohio'])
frame.head()

Out

	Colorado	Texas	New York	Ohio
2000-01	-0.913994	0.735676	-1.497775	1.959656
2000-02	0.128110	-0.029472	0.146246	0.686848
2000-03	2.293743	2.841931	0.260844	-0.177066
2000-04	-0.878366	0.715225	0.791772	0.775475
2000-05	-0.234892	1.247728	-0.611274	0.778219

降采样

annual_frame = frame.resample('A-DEC').mean()
annual_frame

Out

	Colorado	Texas	New York	Ohio
2000	0.035481	0.434428	-0.152062	0.246267
2001	0.204250	-0.264691	-0.074159	0.182459

升采样

升采样要稍微麻烦一些，因为你必须决定在新频率中各区间的哪端用于放置原来的值，就像asfreq方法那样。convention参数默认为'start'，也可设置为'end'

q_frame = annual_frame.resample('Q-DEC').ffill()
q_frame

Out

	Colorado	Texas	New York	Ohio
2000Q1	0.035481	0.434428	-0.152062	0.246267
2000Q2	0.035481	0.434428	-0.152062	0.246267
2000Q3	0.035481	0.434428	-0.152062	0.246267
2000Q4	0.035481	0.434428	-0.152062	0.246267
2001Q1	0.204250	-0.264691	-0.074159	0.182459
2001Q2	0.204250	-0.264691	-0.074159	0.182459
2001Q3	0.204250	-0.264691	-0.074159	0.182459
2001Q4	0.204250	-0.264691	-0.074159	0.182459

annual_frame
q_frame = annual_frame.resample('Q-DEC', convention = 'end').ffill()
q_frame

Out1

	Colorado	Texas	New York	Ohio
2000	0.035481	0.434428	-0.152062	0.246267
2001	0.204250	-0.264691	-0.074159	0.182459

Out2

	Colorado	Texas	New York	Ohio
2000Q4	0.035481	0.434428	-0.152062	0.246267
2001Q1	0.035481	0.434428	-0.152062	0.246267
2001Q2	0.035481	0.434428	-0.152062	0.246267
2001Q3	0.035481	0.434428	-0.152062	0.246267
2001Q4	0.204250	-0.264691	-0.074159	0.182459

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2020-12-17，如有侵权请联系 cloudcommunity@tencent.com 删除

unix

node.js

本文分享自数据STUDIO 微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

unix

node.js

登录后参与评论

0 条评论

热度