グループごとの拡張

Question

I以下のパンダのデータフレームを持っている：

import numpy as np 
import pandas as pd 

dfw = pd.DataFrame({"id": ["A", "B"], 
        "start_date": pd.to_datetime(["2012-01-01", "2013-02-13"], format="%Y-%m-%d"), 
        "end_date": pd.to_datetime(["2012-04-17", "2014-11-18"], format="%Y-%m-%d")}) 

結果：

end_date id start_date 
2012-04-17 A 2012-01-01 
2014-11-18 B 2013-02-13 

が、私はこのデータフレームを変換するための最も効率的な方法を探しています

dates = np.empty(0, dtype="datetime64[M]") 
dates = np.append(dates, pd.date_range(start="2012-01-01", end="2012-06-01", freq="MS").astype("object")) 
dates = np.append(dates, pd.date_range(start="2013-02-01", end="2014-12-01", freq="MS").astype("object")) 
dfl = pd.DataFrame({"id": np.repeat(["A", "B"], [6, 23]), 
        "counter": np.concatenate((np.arange(0, 6, dtype="float"), np.arange(0, 23, dtype="float"))), 
        "date": pd.to_datetime(dates, format="%Y-%m-%d")}) 

結果：

0以下のデータフレームに私がこれまでやってき

counter date id 
0.0 2012-01-01 A 
1.0 2012-02-01 A 
2.0 2012-03-01 A 
3.0 2012-04-01 A 
4.0 2012-05-01 A 
0.0 2013-02-01 B 
1.0 2013-03-01 B 
2.0 2013-04-01 B 
3.0 2013-05-01 B 
4.0 2013-06-01 B 
5.0 2013-07-01 B 
6.0 2013-08-01 B 
7.0 2013-09-01 B 
8.0 2013-10-01 B 
9.0 2013-11-01 B 
10.0 2013-12-01 B 
11.0 2014-01-01 B 
12.0 2014-02-01 B 
13.0 2014-03-01 B 
14.0 2014-04-01 B 
15.0 2014-05-01 B 
16.0 2014-06-01 B 
17.0 2014-07-01 B 
18.0 2014-08-01 B 
19.0 2014-09-01 B 
20.0 2014-10-01 B 
21.0 2014-11-01 B 
22.0 2014-12-01 B 

素朴な解決策には、次のような機能である：

def expand(df): 
    dates = np.empty(0, dtype="datetime64[ns]") 
    ids = np.empty(0, dtype="object") 
    counter = np.empty(0, dtype="float") 
    for name, group in df.groupby("id"): 
     start_date = group["start_date"].min() 
     start_date = pd.to_datetime(np.array(start_date, dtype="datetime64[M]").tolist()) 
     end_date = group["end_date"].min() 
     end_date = end_date + pd.Timedelta(1, unit="M") 
     end_date = pd.to_datetime(np.array(end_date, dtype="datetime64[M]").tolist()) 
     tmp = pd.date_range(start=start_date, end=end_date, freq="MS", closed=None).values 
     dates = np.append(dates, tmp) 
     ids = np.append(ids, np.repeat(group.id.values[0], len(tmp))) 
     counter = np.append(counter, np.arange(0, len(tmp))) 

    dfl = pd.DataFrame({"id": ids, "counter": counter, "date": dates}) 
    return dfl 

しかし、それは非常に高速ではありません。

%timeit expand(dfw) 
100 loops, best of 3: 4.84 ms per loop 

通常

Answer 1

私はitertuplesを避けるためにadiviseが、いくつかの状況でより直観的にすることができます。必要に応じて、これが超高速にする目的の本当にわからない

In [27]: result = pd.concat([pd.Series(r.id,pd.date_range(r.start_date, r.end_date)) for r in dfw.itertuples()]).reset_index() 

In [28]: result.columns = ['counter', 'date'] 

In [29]: result 
Out[29]: 
     counter date 
0 2012-01-01 A 
1 2012-01-02 A 
2 2012-01-03 A 
3 2012-01-04 A 
4 2012-01-05 A 
5 2012-01-06 A 
..   ... ... 
746 2014-11-13 B 
747 2014-11-14 B 
748 2014-11-15 B 
749 2014-11-16 B 
750 2014-11-17 B 
751 2014-11-18 B 

[752 rows x 2 columns] 

In [26]: %timeit pd.concat([pd.Series(r.id,pd.date_range(r.start_date, r.end_date)) for r in dfw.itertuples()]).reset_index() 
100 loops, best of 3: 2.15 ms per loop 

（例えばエンドポイントかどうかを含めるように） pd.date_rangeにkwargsから経由して、エンドポイントのきめ細かな制御を取得することができます。一般的に、この種の拡張は1回だけ行います。

あなたは月の開始を望んでいたので、ここにそれがあります。

In [23]: result = pd.concat([pd.Series(r.id,pd.date_range(r.start_date, r.end_date+pd.offsets.MonthBegin(1), freq='MS', closed=None)) for r in dfw.itertuples()]).reset_index() 

In [24]: result.columns=['counter', 'date'] 

In [25]: result 
Out[25]: 
     counter date 
0 2012-01-01 A 
1 2012-02-01 A 
2 2012-03-01 A 
3 2012-04-01 A 
4 2012-05-01 A 
5 2013-03-01 B 
6 2013-04-01 B 
7 2013-05-01 B 
8 2013-06-01 B 
9 2013-07-01 B 
10 2013-08-01 B 
11 2013-09-01 B 
12 2013-10-01 B 
13 2013-11-01 B 
14 2013-12-01 B 
15 2014-01-01 B 
16 2014-02-01 B 
17 2014-03-01 B 
18 2014-04-01 B 
19 2014-05-01 B 
20 2014-06-01 B 
21 2014-07-01 B 
22 2014-08-01 B 
23 2014-09-01 B 
24 2014-10-01 B 
25 2014-11-01 B 
26 2014-12-01 B 

あなたは、私は純粋なパンダのソリューションを試してみてください。この

In [17]: pd.Timestamp('2014-01-17')-pd.offsets.MonthBegin(1) 
Out[17]: Timestamp('2014-01-01 00:00:00') 

In [18]: pd.Timestamp('2014-01-31')-pd.offsets.MonthBegin(1) 
Out[18]: Timestamp('2014-01-01 00:00:00') 

In [19]: pd.Timestamp('2014-02-01')-pd.offsets.MonthBegin(1) 
Out[19]: Timestamp('2014-01-01 00:00:00')