大熊猫据帧插值/重采样每日数据

Question

我有一个数据帧，看起来像这样：

userid  date   count 
a   2016-12-01 4 
a   2016-12-03 5 
a   2016-12-05 1 
b   2016-11-17 14 
b   2016-11-18 15 
b   2016-11-23 4 

的第一列是用户ID，第二列是一个日期（导致从一个groupby（pd.TimeGrouper（'d'）），第三列是每日计数。但是，每个用户，我想确保在用户的最小和最大日期之间缺少的任何日期填充为0所以如果我从上面的数据框开始，我会得到这样一个数据框：

userid  date   count 
    a   2016-12-01 4 
    a   2016-12-02 0 
    a   2016-12-03 5 
    a   2016-12-04 0 
    a   2016-12-05 1 
    b   2016-11-17 14 
    b   2016-11-18 15 
    b   2016-11-19 0 
    b   2016-11-20 0 
    b   2016-11-21 0 
    b   2016-11-22 0 
    b   2016-11-23 4 

我知道有多种方法可以用熊猫数据帧进行重新采样（带有选择插入向前，向后或平均的选项），但是如何在上述意义上做到这一点，我需要连续时间序列每个用户标识，但时间序列的日期在每个用户中是不同的？

这里就是我试过，没有奏效：

grouped_users = user_daily_counts.groupby('user').set_index('timestamp').resample('d', fill_method = None)

然而，这会引发错误AttributeError: Cannot access callable attribute 'set_index' of 'DataFrameGroupBy' objects, try using the 'apply' method。我不知道如何在提出所有列的同时使用apply方法，因为我愿意这样做。

感谢您的任何建议！

Answer 1

您可以使用groupby与resample，但首先需要Datetimeindex由set_index创建。
（need pandas 0.18.1 and higher）

然后通过0通过asfreq与fillna填充NaN。

最后删除列userid和reset_index：

df = df.set_index('date') 
     .groupby('userid') 
     .resample('D') 
     .asfreq() 
     .fillna(0) 
     .drop('userid', axis=1) 
     .reset_index() 

print (df) 
    userid  date count 
0  a 2016-12-01 4.0 
1  a 2016-12-02 0.0 
2  a 2016-12-03 5.0 
3  a 2016-12-04 0.0 
4  a 2016-12-05 1.0 
5  b 2016-11-17 14.0 
6  b 2016-11-18 15.0 
7  b 2016-11-19 0.0 
8  b 2016-11-20 0.0 
9  b 2016-11-21 0.0 
10  b 2016-11-22 0.0 
11  b 2016-11-23 4.0 

如果想D型列count整数加astype：

df = df.set_index('date') \ 
     .groupby('userid') \ 
     .resample('D') \ 
     .asfreq() \ 
     .fillna(0) \ 
     .drop('userid', axis=1) \ 
     .astype(int) \ 
     .reset_index() 

print (df) 
    userid  date count 
0  a 2016-12-01  4 
1  a 2016-12-02  0 
2  a 2016-12-03  5 
3  a 2016-12-04  0 
4  a 2016-12-05  1 
5  b 2016-11-17  14 
6  b 2016-11-18  15 
7  b 2016-11-19  0 
8  b 2016-11-20  0 
9  b 2016-11-21  0 
10  b 2016-11-22  0 
11  b 2016-11-23  4