Qual é o equivalente de cut / qcut para campos de data pandas?
Atualização: a partir da versão 0.20.0, pandas cut / qcut processa os campos de data. VejoO que há de novo para mais.
pd.cut e pd.qcut agora suportam datetime64 e timedelta64 dtypes (GH14714, GH14798)
Pergunta original: As funções de cortar e qcut do Pandas são ótimas para dados contínuos de 'bucketing' para uso em tabelas dinâmicas e assim por diante, mas não consigo ver uma maneira fácil de obter eixos datetime no mix. Frustrante desde pandas é tão grande em todas as coisas relacionadas ao tempo!
Aqui está um exemplo simples:
def randomDates(size, start=134e7, end=137e7):
return np.array(np.random.randint(start, end, size), dtype='datetime64[s]')
df = pd.DataFrame({'ship' : randomDates(10), 'recd' : randomDates(10),
'qty' : np.random.randint(0,10,10), 'price' : 100*np.random.random(10)})
df
price qty recd ship
0 14.723510 3 2012-11-30 19:32:27 2013-03-08 23:10:12
1 53.535143 2 2012-07-25 14:26:45 2012-10-01 11:06:39
2 85.278743 7 2012-12-07 22:24:20 2013-02-26 10:23:20
3 35.940935 8 2013-04-18 13:49:43 2013-03-29 21:19:26
4 54.218896 8 2013-01-03 09:00:15 2012-08-08 12:50:41
5 61.404931 9 2013-02-10 19:36:54 2013-02-23 13:14:42
6 28.917693 1 2012-12-13 02:56:40 2012-09-08 21:14:45
7 88.440408 8 2013-04-04 22:54:55 2012-07-31 18:11:35
8 77.329931 7 2012-11-23 00:49:26 2012-12-09 19:27:40
9 46.540859 5 2013-03-13 11:37:59 2013-03-17 20:09:09
Para bin por grupos de preço ou quantidade, eu posso usar cut / qcut para bucket-los:
df.groupby([pd.cut(df['qty'], bins=[0,1,5,10]), pd.qcut(df['price'],q=3)]).count()
price qty recd ship
qty price
(0, 1] [14.724, 46.541] 1 1 1 1
(1, 5] [14.724, 46.541] 2 2 2 2
(46.541, 61.405] 1 1 1 1
(5, 10] [14.724, 46.541] 1 1 1 1
(46.541, 61.405] 2 2 2 2
(61.405, 88.44] 3 3 3 3
Mas não consigo ver nenhuma maneira fácil de fazer a mesma coisa com meus campos de data "recd" ou "ship". Por exemplo, gere uma tabela semelhante de contagens discriminadas por (digamos) baldes mensais de recd e ship. Parece que a resample () tem todo o maquinário para armazenar em períodos, mas não consigo descobrir como aplicá-lo aqui. Os intervalos (ou níveis) no 'corte de data' seriam equivalentes a um pandas.PeriodIndex e, em seguida, eu quero rotular cada valor de df ['recd'] com o período em que ele cai?
Então, o tipo de saída que estou procurando seria algo como:
ship recv count
2011-01 2011-01 1
2011-02 3
... ...
2011-02 2011-01 2
2011-02 6
... ... ...
Mais genericamente, gostaria de poder misturar e combinar variáveis contínuas ou categóricas na saída. Imagine que o df também contenha uma coluna 'status' com os valores vermelho / amarelo / verde, então talvez eu queira resumir as contagens por status, preço bucket, ship e recd buckets, então:
ship recv price status count
2011-01 2011-01 [0-10) green 1
red 4
[10-20) yellow 2
... ... ...
2011-02 [0-10) yellow 3
... ... ... ...
Como uma questão bônus, qual é a maneira mais simples de modificar o resultado groupby () acima para apenas conter uma única coluna de saída chamada 'count'?