pandas.Series.resample

Series.resample(rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) [source]

Ресемплирование временных рядов.

Удобный метод для преобразования частоты и ресемплирования временных рядов. Объект должен иметь индекс типа datetime (DatetimeIndex, PeriodIndex, или TimedeltaIndex), или передать значения типа datetime в ключевое слово on или level.

Параметры:

rule : str Строка или объект смещения, представляющий целевое преобразование. how : str Метод для уменьшения/пересемплирования, по умолчанию 'mean' для уменьшения. Устарело начиная с версии 0.18.0: Новый синтаксис .resample(...).mean(), или .resample(...).apply(<func>) axis : {0 or ‘index’, 1 or ‘columns’}, default 0 Какой ось использовать для увеличения или уменьшения. Для Series по умолчанию будет 0, т.е. по строкам. Должно быть DatetimeIndex, TimedeltaIndex или PeriodIndex fill_method : str, default None Метод заполнения для увеличения. Устарело начиная с версии 0.18.0: Новый синтаксис .resample(...).<func>(), например .resample(...).pad() closed : {‘right’, ‘left’}, default None Какую сторону интервала ячейки считать закрытой. По умолчанию 'left' для всех смещений частоты, кроме 'M', 'A', 'Q', 'BM', 'BA', 'BQ' и 'W', для которых значение по умолчанию 'right'. label : {‘right’, ‘left’}, default None Какой край ячейки использовать в качестве метки. По умолчанию 'left' для всех смещений частоты, кроме 'M', 'A', 'Q', 'BM', 'BA', 'BQ' и 'W', для которых значение по умолчанию 'right'. convention : {‘start’, ‘end’, ‘s’, ‘e’}, default ‘start’ Только для PeriodIndex, управляет тем, использовать ли начало или конец rule. kind : {‘timestamp’, ‘period’}, optional, default None Передать 'timestamp', чтобы преобразовать результирующий индекс в DateTimeIndex, или 'period', чтобы преобразовать его в PeriodIndex. По умолчанию используется представление входных данных. loffset : timedelta, default None Корректирует метки ресемплированного времени. limit : int, default None Максимальный размер разрыва при переиндексации с fill_method. Устарело начиная с версии 0.18.0. base : int, default 0 Для частот, которые равномерно делят 1 день, «начало» агрегированных интервалов. Например, для частоты '5min' основа может варьироваться от 0 до 4. По умолчанию 0. on : str, optional Для DataFrame, столбец вместо индекса для ресемплирования. Столбец должен быть типа datetime. Новое в версии 0.19.0. level : str or int, optional Для MultiIndex, уровень (имя или номер) для ресемплирования. level должен быть типа datetime. Новое в версии 0.19.0.

Возвращает:

Объект Resampler

См. также

groupby

Группировка по отображению, функции, метке или списку меток.

Series.resample

Ресемплирование Series.

DataFrame.resample

Ресемплирование DataFrame.

Примечания

См. руководство пользователя для получения дополнительной информации.

Чтобы узнать больше о строках смещения, см. ссылку.

Примеры

Начните с создания серии с 9 отметками времени с интервалом в одну минуту.

>>> index = pd.date_range('1/1/2000', periods=9, freq='T')
>>> series = pd.Series(range(9), index=index)
>>> series
2000-01-01 00:00:00    0
2000-01-01 00:01:00    1
2000-01-01 00:02:00    2
2000-01-01 00:03:00    3
2000-01-01 00:04:00    4
2000-01-01 00:05:00    5
2000-01-01 00:06:00    6
2000-01-01 00:07:00    7
2000-01-01 00:08:00    8
Freq: T, dtype: int64

Уменьшите серию до интервалов в 3 минуты и суммируйте значения отметки времени, попадающие в интервал.

>>> series.resample('3T').sum()
2000-01-01 00:00:00     3
2000-01-01 00:03:00    12
2000-01-01 00:06:00    21
Freq: 3T, dtype: int64

Уменьшите серию до интервалов в 3 минуты, как указано выше, но пометьте каждый интервал правой границей вместо левой. Обратите внимание, что значение в ячейке, используемой в качестве метки, не включено в ячейку, которую она маркирует. Например, в исходной серии ячейка 2000-01-01 00:03:00 содержит значение 3, но суммарное значение в ресемплированной ячейке с меткой 2000-01-01 00:03:00 не включает 3 (если бы включало, суммарное значение было бы 6, а не 3). Чтобы включить это значение, закройте правую сторону интервала ячейки, как показано в примере ниже.

>>> series.resample('3T', label='right').sum()
2000-01-01 00:03:00     3
2000-01-01 00:06:00    12
2000-01-01 00:09:00    21
Freq: 3T, dtype: int64

Уменьшите серию до интервалов в 3 минуты, как указано выше, но закройте правую сторону интервала ячейки.

>>> series.resample('3T', label='right', closed='right').sum()
2000-01-01 00:00:00     0
2000-01-01 00:03:00     6
2000-01-01 00:06:00    15
2000-01-01 00:09:00    15
Freq: 3T, dtype: int64

Увеличьте серию до интервалов в 30 секунд.

>>> series.resample('30S').asfreq()[0:5]   # Select first 5 rows
2000-01-01 00:00:00   0.0
2000-01-01 00:00:30   NaN
2000-01-01 00:01:00   1.0
2000-01-01 00:01:30   NaN
2000-01-01 00:02:00   2.0
Freq: 30S, dtype: float64

Увеличьте серию до интервалов в 30 секунд и заполните значения NaN методом pad.

>>> series.resample('30S').pad()[0:5]
2000-01-01 00:00:00    0
2000-01-01 00:00:30    0
2000-01-01 00:01:00    1
2000-01-01 00:01:30    1
2000-01-01 00:02:00    2
Freq: 30S, dtype: int64

Увеличьте серию до интервалов в 30 секунд и заполните значения NaN методом bfill.

>>> series.resample('30S').bfill()[0:5]
2000-01-01 00:00:00    0
2000-01-01 00:00:30    1
2000-01-01 00:01:00    1
2000-01-01 00:01:30    2
2000-01-01 00:02:00    2
Freq: 30S, dtype: int64

Передайте пользовательскую функцию через apply

>>> def custom_resampler(array_like):
...     return np.sum(array_like) + 5
...
>>> series.resample('3T').apply(custom_resampler)
2000-01-01 00:00:00     8
2000-01-01 00:03:00    17
2000-01-01 00:06:00    26
Freq: 3T, dtype: int64

Для Series с PeriodIndex ключевое слово convention может использоваться для управления использованием начала или конца rule.

Ресемплируйте год по кварталам с помощью 'start' convention. Значения присваиваются первому кварталу периода.

>>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',
...                                             freq='A',
...                                             periods=2))
>>> s
2012    1
2013    2
Freq: A-DEC, dtype: int64
>>> s.resample('Q', convention='start').asfreq()
2012Q1    1.0
2012Q2    NaN
2012Q3    NaN
2012Q4    NaN
2013Q1    2.0
2013Q2    NaN
2013Q3    NaN
2013Q4    NaN
Freq: Q-DEC, dtype: float64

Ресемплируйте кварталы по месяцам с помощью 'end' convention. Значения присваиваются последнему месяцу периода.

>>> q = pd.Series([1, 2, 3, 4], index=pd.period_range('2018-01-01',
...                                                   freq='Q',
...                                                   periods=4))
>>> q
2018Q1    1
2018Q2    2
2018Q3    3
2018Q4    4
Freq: Q-DEC, dtype: int64
>>> q.resample('M', convention='end').asfreq()
2018-03    1.0
2018-04    NaN
2018-05    NaN
2018-06    2.0
2018-07    NaN
2018-08    NaN
2018-09    3.0
2018-10    NaN
2018-11    NaN
2018-12    4.0
Freq: M, dtype: float64

Для объектов DataFrame ключевое слово on может использоваться для указания столбца вместо индекса для ресемплирования.

>>> d = dict({'price': [10, 11, 9, 13, 14, 18, 17, 19],
...           'volume': [50, 60, 40, 100, 50, 100, 40, 50]})
>>> df = pd.DataFrame(d)
>>> df['week_starting'] = pd.date_range('01/01/2018',
...                                     periods=8,
...                                     freq='W')
>>> df
   price  volume week_starting
0     10      50    2018-01-07
1     11      60    2018-01-14
2      9      40    2018-01-21
3     13     100    2018-01-28
4     14      50    2018-02-04
5     18     100    2018-02-11
6     17      40    2018-02-18
7     19      50    2018-02-25
>>> df.resample('M', on='week_starting').mean()
               price  volume
week_starting
2018-01-31     10.75    62.5
2018-02-28     17.00    60.0

Для DataFrame с MultiIndex ключевое слово level может использоваться для указания уровня, на котором необходимо выполнить ресемплирование.

>>> days = pd.date_range('1/1/2000', periods=4, freq='D')
>>> d2 = dict({'price': [10, 11, 9, 13, 14, 18, 17, 19],
...            'volume': [50, 60, 40, 100, 50, 100, 40, 50]})
>>> df2 = pd.DataFrame(d2,
...                    index=pd.MultiIndex.from_product([days,
...                                                     ['morning',
...                                                      'afternoon']]
...                                                     ))
>>> df2
                      price  volume
2000-01-01 morning       10      50
           afternoon     11      60
2000-01-02 morning        9      40
           afternoon     13     100
2000-01-03 morning       14      50
           afternoon     18     100
2000-01-04 morning       17      40
           afternoon     19      50
>>> df2.resample('D', level=0).sum()
            price  volume
2000-01-01     21     110
2000-01-02     22     140
2000-01-03     32     150
2000-01-04     36      90