Панды частоты дискретизации (). Размер () возвращает различные типы объектов в зависимости от частоты дискретизации

голоса
0

У меня есть панды DataFrame, который я суммирующий с помощью GroupBy () , частоты дискретизации () и размер () функции:

freq = upgrade.groupby(UPGRADESTRATEGY)
type(freq)
<class 'pandas.core.groupby.groupby.DataFrameGroupBy'>

print(freq.resample('Q'))
DatetimeIndexResamplerGroupby [freq=<QuarterEnd: startingMonth=12>, axis=0, closed=right, label=right, convention=e, base=0]

print(freq.resample('Y'))
DatetimeIndexResamplerGroupby [freq=<YearEnd: month=12>, axis=0, closed=right, label=right, convention=e, base=0]

К моему удивлению, размер () функция возвращает различные типы в зависимости от частоты дискретизации:

  • если образец на четверть, я получаю серии ,
  • если образец в год, я получаю DataFrame .

Код:

print(type(freq.resample('Q').size()))
<class 'pandas.core.series.Series'>

print(type(freq.resample('Y').size()))
<class 'pandas.core.frame.DataFrame'>

Выходы также семантически разные, так что не может повторно использовать тот же трубопровод для обработки результатов. Я ожидал, что выходной тип объекта и структура выходных данных не зависит от частоты дискретизации я использовал.

Вопросы:

  1. Почему я получаю другой тип объекта в результате размера () функции, когда я использую разные частоты дискретизации?
  2. Как я могу изменить код, чтобы получить тот же тип объекта и ту же структуру объекта, независимо от заданной частоты дискретизации?

Я использую 0.23.4 версию Панды.

ОБНОВИТЬ:

Проблема, по-видимому зависимые от данных. Я вареный его до 10 записей, которые вызывают изменение выходного типа. Я не могу объяснить, почему я получаю различный выход типа здесь. Сортировка значений по дате не меняет результата.

u2.dtypes
UPGRADESTRATEGY               object
SCENARIO_STARTDATE    datetime64[ns]
dtype: object

Это порождает DataFrame.

print(u2.iloc[-105:-96])
      UPGRADESTRATEGY  SCENARIO_STARTDATE
18645               b 2016-12-20 14:48:57
18646               a 2017-01-07 16:58:44
18647               b 2017-01-11 14:39:58
18648               a 2017-01-10 15:42:22
18649               a 2017-01-10 10:07:34
18650               a 2017-01-12 15:31:14
18651               a 2017-01-13 12:44:02
18652               a 2017-01-13 14:51:59
18653               a 2016-12-12 22:30:01


type(u2.iloc[-105:-96].groupby([UPGRADESTRATEGY]).resample('Q', on='SCENARIO_STARTDATE').size())

pandas.core.frame.DataFrame

Это создает серию.

print(u2.iloc[-104:-96])

      UPGRADESTRATEGY  SCENARIO_STARTDATE
18646               a 2017-01-07 16:58:44
18647               b 2017-01-11 14:39:58
18648               a 2017-01-10 15:42:22
18649               a 2017-01-10 10:07:34
18650               a 2017-01-12 15:31:14
18651               a 2017-01-13 12:44:02
18652               a 2017-01-13 14:51:59
18653               a 2016-12-12 22:30:01

type(u2.iloc[-104:-96].groupby([UPGRADESTRATEGY]).resample('Q', on='SCENARIO_STARTDATE').size())

pandas.core.series.Series

DataFrame выход:

u2.iloc[-105:-96].groupby([UPGRADESTRATEGY]).resample('Q', on='SCENARIO_STARTDATE').size()
SCENARIO_STARTDATE  2016-12-31  2017-03-31
UPGRADESTRATEGY                           
a                            1           6
b                            1           1

Выход серии:

u2.iloc[-104:-96].groupby([UPGRADESTRATEGY]).resample('Q', on='SCENARIO_STARTDATE').size()
UPGRADESTRATEGY  SCENARIO_STARTDATE
a                2016-12-31            1
                 2017-03-31            6
b                2017-03-31            1
dtype: int64

Я из идей!

Задан 27/11/2018 в 15:03
источник пользователем
На других языках...                            

Cookies help us deliver our services. By using our services, you agree to our use of cookies. Learn more