У меня есть DataFrame, как показано ниже:
df = {'time': [1999,2001,2002,2003,2007,1999,2000,2001,2003,2004],
'id':['A','A','A','A','A','B','B','B','B','B'],
'value':[0.1,0.1,0.1,0.1,0.6,0.2,0.2,0.2,0.2,0.2]}
df = pd.DataFrame(df)
Я хочу создать набор данных панели на уровне id-time
от него, а это значит, что я хочу что-то вроде:
time id value
0 2001 A 0.1
1 2002 A 0.1
2 2003 A 0.6
3 1999 B 0.2
4 2000 B 0.2
5 2001 B 0.2
Остались только последовательные строки каждого id
, я могу закончить это только несколькими строками в R,
df<-df %>%
mutate(time = as.integer(time)) %>%
group_by(gvkey, grp = cumsum(c(1, diff(time) != 1))) %>%
filter(n() >= consec_obs)
df<-df[,setdiff(colnames(df),c('grp'))]
в которой consec_obs
- это минимум последовательных строк, которые нужно сохранить.
Я искал какое-то время, но не смог найти решение, которое немного удивило меня, поскольку это своего рода базовый анализ эконометрического анализа, кто-нибудь знает, как это сделать с Python?
Подражая R-решению, я придумываю версию Python в воскресенье вечером, вот он:
# lag where two rows within each group are not conesecutive
df['diff'] = df.groupby('id')['time'].diff()!=1
# cumulative summation
df['cusm'] = df.groupby('id')['diff'].cumsum()
# group by 'id' and 'cusm', then select those rows which satisfy prespecified condition
df.loc[df.groupby(['id','cusm']).transform('count')['diff'] >=3].drop(['diff','cusm'],axis=1)
Если это кажется трудным для понимания, попробуйте код на одной линии, вы доберетесь туда.
Можно ли объединить первые две строки как одну?
Я надеюсь, что это поможет вам. Я попытаюсь объяснить каждую строку, когда я продвигаюсь вперед.
Импортируйте эти 2 пакета.
from itertools import groupby
import numpy as np
Ваш dataframe выглядит примерно так:
>>>df = {'time': [1999,2001,2002,2003,2007,1999,2000,2001,2003,2004],
'id':['A','A','A','A','A','B','B','B','B','B'],
'value':[0.1,0.1,0.1,0.1,0.6,0.2,0.2,0.2,0.2,0.2]}
>>>df = pd.DataFrame(df)
>>>df
id time value
0 A 1999 0.1
1 A 2001 0.1
2 A 2002 0.1
3 A 2003 0.1
4 A 2007 0.6
5 B 1999 0.2
6 B 2000 0.2
7 B 2001 0.2
8 B 2003 0.2
9 B 2004 0.2
Первый шаг: найдите уникальные идентификаторы. Вот как вы это делаете:
>>>unique = np.unique(df.id.values).tolist()
>>>unique
['A', 'B']
Второй шаг. Для каждого идентификатора создайте список списков (я назвал его Группой). Каждый список внутри внешнего списка содержит последовательные номера. Чтобы дать ясность, я возьму отпечаток группы. Он объединяет список последовательных номеров.
Третий шаг: после группировки Создайте фрейм данных только для тех значений, где длина группировки больше 2. (я предполагаю 2, потому что вы не рассматривали B: 2003 и B: 2004 как последовательную последовательность.)
Вот как это работает:
# Create an Empty dataframe. This is where you will keep appending peices of dataframes
df2 = pd.DataFrame()
# Now you would want to iterate over your unique IDs ie. 'A', 'B'.
for i in unique:
#Create an empty list called Group. Here you will append lists that contain consecutive numbers.
groups = []
#Create a data frame where ID is equal to current iterating ID
df1 = df.loc[df['id'] == i]
#The next 2 for loops (nested) will return group (a list of lists)
for key, group in groupby(enumerate(df1.time.values), lambda ix : ix[0] - ix[1]):
list1 = []
for j in list(group):
list1.append(j[1])
groups.append(list1)
# See how your group for current ID looks
print(groups)
# Iterate within the created group. See if group length is > 2. If yes, append to df2 (the empty data frame that you created earlier)
for j in groups:
if len(j) > 1:
# you are concatenating 2 frames in the below code.
df2 = pd.concat([df2,df.loc[(df['time'].isin(j)) & (df['id'] == i)]])
Вуаля
>>>> df2
id time value
1 A 2001 0.1
2 A 2002 0.1
3 A 2003 0.1
5 B 1999 0.2
6 B 2000 0.2
7 B 2001 0.2