pandas 将时间区间展开为年月两列

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

时序数据展开是将一个时间区间数据拆分为多个时间的操作，将原本的一行数据展开成多行，每行对应一个时间步。它可以用于许多应用场景，如如趋势分析、周期性分析、季节性分析等，还应用在绘制时序图、热力图、气泡图等。许多机器学习模型需要输入多个时间步的数据，如循环神经网络（RNN）、长短时记忆网络（LSTM）、卷积神经网络（CNN）等。展开时序数据可以将原始数据转换为这些模型可以接受的形式。

数据清洗和处理中，展开时序数据可以方便地进行数据清洗和处理，如填充缺失值、平滑数据、降采样、重采样等。信号处理时展开时序数据可以方便地进行信号处理，如滤波、傅里叶变换、小波变换等。因此，时序数据展开是时序数据处理中非常重要的一步，广泛应用于许多领域，如金融、医疗、气象、物联网等。

本例，我们用 Python 来完成一个类似的例子。

数据与需求

我们的数据用以下方式构造：

import pandas as pd
from io import StringIO

data = '''
合同编号    起始日期    结束日期
BH001   2023-02-20  2024-02-19
BH002   2023-04-01  2026-03-31
BH003   2022-04-10  2023-04-09
BH004   2023-03-01  2024-09-30
BH005   2023-02-01  2026-01-31
'''

df = pd.read_csv(StringIO(data), sep=r'\s+')

我们希望将以上数据按起始日期到结束日期展开，增加年和月列。例如上面的第一条数据，拆分成下面这种效果：

'''
合同编号    年   月
BH001   2023    2
BH001   2023    3
BH001   2023    4
BH001   2023    5
BH001   2023    6
BH001   2023    7
BH001   2023    8
BH001   2023    9
BH001   2023    10
BH001   2023    11
BH001   2023    12
BH001   2024    1
BH001   2024    2
'''

思路

我们的思路如下：

为数据框df添加一列名为“日期”，该列的值是通过apply方法和lambda函数计算得到的，lambda函数根据每一行的起始日期和结束日期生成一个日期范围的时间序列。
对“日期”列进行展开操作，即将每行的日期范围展开成多行，每行包含一个日期。
为数据框添加两列，分别是年份和月份，这两列的值是从“日期”列中提取出来的。
对数据框进行列筛选，只保留“合同编号”、“年”和“月”三列。
对数据框进行去重操作，即去除重复的行。

代码

根据思路，我们的代码如下：

(
    df.assign(日期=df.apply(lambda s: pd.date_range(s.起始日期, s.结束日期), axis=1))
    .explode('日期')
    .assign(年=lambda d: d.日期.dt.year, 月=lambda d: d.日期.dt.month)
    .filter(['合同编号', '年', '月'])
    .drop_duplicates()
)
'''
     合同编号     年   月
0   BH001  2023   2
0   BH001  2023   3
0   BH001  2023   4
0   BH001  2023   5
0   BH001  2023   6
..    ...   ...  ..
4   BH005  2025   9
4   BH005  2025  10
4   BH005  2025  11
4   BH005  2025  12
4   BH005  2026   1
[117 rows x 3 columns]
'''

代码使用了pandas库来进行数据处理和转换，下面是对每行代码的详细解释：

df.assign(日期=df.apply(lambda s: pd.date_range(s.起始日期, s.结束日期), axis=1)):

这行代码是将数据框df中的每一行，按照其起始日期和结束日期生成一个日期范围，并将这个日期范围作为新列“日期”的值添加到数据框中。具体来说，apply方法对每一行进行操作，lambda函数以该行为输入，返回一个起始日期和结束日期间的日期范围，pd.date_range方法用于生成这个日期范围。最后assign方法将新生成的“日期”列添加到数据框中。

.explode('日期'):

这行代码是将数据框中的每一行，按照“日期”列进行展开，即将每个日期范围转换成多行，每行只包含一个日期。explode方法用于展开数据框中的列，其参数为要展开的列名。

.assign(年=lambda d: d.日期.dt.year, 月=lambda d: d.日期.dt.month):

这行代码是为数据框添加两列，分别是年份和月份。这两列的值是从“日期”列中提取出来的，分别使用dt.year和dt.month方法提取每个日期的年份和月份，并使用assign方法将新生成的“年”和“月”列添加到数据框中。

filter(['合同编号', '年', '月']):

这行代码是对数据框进行列筛选，只保留“合同编号”、“年”和“月”三列。filter方法用于按照列名进行筛选，其参数为一个包含要保留的列名的列表。

drop_duplicates():

这行代码是对数据框进行去重操作，即去除重复的行。drop_duplicates方法用于去除重复的行，其默认参数为所有列都相同才算是重复行。在这个例子中，由于我们已经保留了“合同编号”、“年”和“月”三列，因此drop_duplicates方法只会根据这三列进行去重。

另外，还可以用 pd.period_range() 构造时间周期序列，使用后的完整代码如下：

(
    df.assign(日期=df.apply(lambda s: pd.period_range(s.起始日期, s.结束日期, freq='M'), axis=1))
    .explode('日期')
    .assign(年=lambda d: d.日期.dt.year, 月=lambda d: d.日期.dt.month)
    .filter(['合同编号', '年', '月'])
)

这样就完成了需求。

（完）

pandas 将时间区间展开为年月两列

数据与需求

思路

代码

相关内容