大熊猫在一个滞后时间内的聚集

Question

我有一个多索引的数据，有指数的日和股票报价.下面是一个子集：

​

​

我想要创建几个滞后变量。我想出了如何制造一天的延迟：

df['Number of Tweets [t-1]'] = df['Number of Tweets'].unstack().shift(1).stack()

在这里，我被困在创建一个滞后变量，这个变量在t-1到t-3，或者t-1到t-7，或者t-1到t-30之间的集合(和)值。例如，我想要一个名为“t-1到t-3的Tweets和的数目”的列。我和DateOffset一起玩过，也研究过重新采样的情况，但是没有比这更远的了。我似乎在烹饪簿中找不到任何答案，在文档中也找不到有帮助的例子。我对这件事很感兴趣，希望能提供任何帮助。

Answer 1

对移位的数据使用pd.rolling_sum。若要计算t-3到t-1的滚动和，请使用3的窗口长度并将数据移动1(如果没有指定参数，则为默认值)。

from pandas import Timestamp

# Create series
s = pd.Series({(Timestamp('2015-03-30 00:00:00'), 'AAPL'): 2,
 (Timestamp('2015-03-30 00:00:00'), 'IBM'): 3,
 (Timestamp('2015-03-30 00:00:00'), 'TWTR'): 2,
 (Timestamp('2015-03-31 00:00:00'), 'AAPL'): 6,
 (Timestamp('2015-03-31 00:00:00'), 'IBM'): 2,
 (Timestamp('2015-03-31 00:00:00'), 'TWTR'): 7,
 (Timestamp('2015-04-01 00:00:00'), 'AAPL'): 3,
 (Timestamp('2015-04-01 00:00:00'), 'IBM'): 1,
 (Timestamp('2015-04-01 00:00:00'), 'TWTR'): 2,
 (Timestamp('2015-04-02 00:00:00'), 'AAPL'): 6,
 (Timestamp('2015-04-02 00:00:00'), 'IBM'): 8,
 (Timestamp('2015-04-02 00:00:00'), 'TWTR'): 2,
 (Timestamp('2015-04-06 00:00:00'), 'AAPL'): 4,
 (Timestamp('2015-04-06 00:00:00'), 'IBM'): 2,
 (Timestamp('2015-04-06 00:00:00'), 'TWTR'): 6,
 (Timestamp('2015-04-07 00:00:00'), 'AAPL'): 3,
 (Timestamp('2015-04-07 00:00:00'), 'IBM'): 7,
 (Timestamp('2015-04-07 00:00:00'), 'TWTR'): 8})

# View the data more easily:
s.unstack() 
            AAPL  IBM  TWTR
Date                       
2015-03-30     2    3     2
2015-03-31     6    2     7
2015-04-01     3    1     2
2015-04-02     6    8     2
2015-04-06     4    2     6
2015-04-07     3    7     8

# Calculate a rolling sum on date t for dates t-3 through t-1:
result = pd.rolling_sum(s.unstack().shift(), window=3)  # .shift() <=> .shift(1)

>>> result
            AAPL  IBM  TWTR
Date                       
2015-03-30   NaN  NaN   NaN
2015-03-31   NaN  NaN   NaN
2015-04-01   NaN  NaN   NaN
2015-04-02    11    6    11
2015-04-06    15   11    11
2015-04-07    13   11    10

# Restack the data:
>>> result.stack()
2015-04-02  AAPL    11
            IBM      6
            TWTR    11
2015-04-06  AAPL    15
            IBM     11
            TWTR    11
2015-04-07  AAPL    13
            IBM     11
            TWTR    10