具有分组和滚动平均值的数据帧行的累积数

Question

作为我正在学习的课程的一部分，我需要计算火箭发射的每月累计总和，并计算月到月的滚动平均值，最后在一个图上显示这两个结果。

dataframe包含Date、Launch site、Mission status和其他一些不太重要的参数。日期格式为YYYY-MM-DD，每个不同的年-月组合的项目数不同.

输入数据如下所示：

Organisation    Location    Date    Detail  Rocket_Status   Price   Mission_Status
4323    RVSN USSR   Site 1/5, Baikonur Cosmodrome, Kazakhstan   1957-10-04 19:28:00+00:00   Sputnik 8K71PS | Sputnik-1  StatusRetired   63.23   Success
4322    RVSN USSR   Site 1/5, Baikonur Cosmodrome, Kazakhstan   1957-11-03 02:30:00+00:00   Sputnik 8K71PS | Sputnik-2  StatusRetired   63.23   Success
4321    US Navy LC-18A, Cape Canaveral AFS, Florida, USA    1957-12-06 16:44:00+00:00   Vanguard | Vanguard TV3 StatusRetired   63.23   Failure

我的方法是：

• 使用groupby和

函数创建单独的df：

launchdays = pd.DataFrame(spacerace.groupby(spacerace.loc[:,"Date"].dt.date).agg("size"))

此数据包含以下数据：

            0
Date    
1957-10-04  1
1957-11-03  1
1957-12-06  1
1958-02-01  1
1958-02-05  1

将DateTimeIndex的

• 更改索引

launchdays.index = pd.to_datetime(launchdays.index)

• 计算每月发射次数和月对月滚动平均数：

monthly_data = launchdays.resample("M").sum()
rolling = launchdays.rolling(30).mean().dropna()

重采样后的每月数据：

            0
Date    
1957-10-31  1
1957-11-30  1
1957-12-31  1
1958-01-31  0
1958-02-28  2

滚动平均数：

            0
Date    
1958-12-18  1.03
1959-01-02  1.03
1959-02-17  1.03
1959-02-28  1.03
1959-04-13  1.03

这似乎是可行的，至少在我看来，结果是现实的--然而，我想确定我的方法是否正确和/或是否可以更优雅地完成。

谢谢!

另一个编辑：

我已修正了收集每月数据和计算滚动平均数的部分：

monthly_data = launchdays.resample("30D").sum()
rolling = monthly_data.rolling(“30D").mean()

然而，它们现在的产量完全相同，这是预料中的.也许我误解了这个练习中的一些东西？这一任务的定义是：“按月计算到现在的发射次数。哪个月的发射次数是有史以来最高的?在月时间序列图上加上一个滚动平均值。”

Answer 1

我不知道我是否理解你的实际问题，我不喜欢辩论优雅和不雅的解决方案。如果他们工作，他们是好的。如果另一种解决方案更好，则取决于将不同的解决方案与同一问题进行比较的方式，例如，需要更少的时间、更少的内存或更少的代码行等等。

回到你的问题上，滚动平均值和重采样的总和是有区别的。滚动平均值是一种平滑数据的方法，以给出正确的趋势，参见https://en.wikipedia.org/wiki/Moving_average。相反，重采样和和方法是对被绑定数据的数据聚合，基本上是直方图https://en.wikipedia.org/wiki/Histogram。

因此，如果问题是哪个月的发射次数最多，则需要计算直方图并找到最大值。

在您的练习中滚动平均部分没有很好的定义，因为它没有给出窗口大小，或者至少给出了您应该平滑数据的更多信息。当然应该超过30天，因为有几个月多30天。我想这意味着一年(12个月)的窗口，但这纯粹是猜测。

编辑:我想他们的意思是这样的：

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

np.random.seed(7)
pd.plotting.register_matplotlib_converters()

# create dummy data
dates = (
    pd.Timestamp('1970-01-01') +
    pd.to_timedelta(np.random.randint(0, 19000, 20000), unit='D')
)
success = np.random.random(len(dates)) > 0.05
df = pd.DataFrame({
    'date': dates,
    'success': success
})
df.sort_values('date', inplace=True)
df.reset_index(drop=True, inplace=True)

# create histogram
monthly = df['date'].groupby(
    df['date'].dt.to_period('M').dt.to_timestamp()
).count()
print(monthly.loc[monthly==monthly.max()])

# add zeros for months that do not appear in the original histogram
monthly_dense = monthly.resample('MS').sum()

# plot
fig, ax = plt.subplots()
ax.plot(monthly_dense.index, monthly_dense)
ax.plot(monthly_dense.index, monthly_dense.rolling(12).mean())
fig.autofmt_xdate()