#python #pandas #dataframe #datetime #time-series
#python #панды #фрейм данных #дату и время #временные ряды
Вопрос:
Я пытаюсь сгруппировать день и найти максимальное значение для каждого дня.
df.loc[df.groupby(pd.Grouper(freq='D'))['High'].idxmax()]
Когда мой фрейм данных невелик и работает всего несколько дней подряд, он успешно запускается (я думаю, выдает ошибку с пропущенными выходными / праздничными днями)
InternalSymbol Open High Low Close
CollectionTimestamp (CST)
2018-09-17 10:00:00 GCZ8 1206.1 1209.7 1205.9 1208.3
2018-09-18 09:00:00 GCZ8 1205.6 1208.2 1205.2 1206.4
2018-09-19 08:00:00 GCZ8 1207.6 1211.0 1205.9 1210.0
2018-09-20 10:00:00 GCZ8 1211.0 1213.2 1208.1 1209.1
2018-09-21 06:00:00 GCZ8 1212.3 1212.7 1209.3 1209.7
Когда я пытаюсь инкорпорировать весь мой набор данных (несколько лет, Вс-Пт, исключая рыночные праздники и т. Д.). Я получаю эту ошибку..
ValueError: attempt to get argmax of an empty sequence
Я предполагаю, что это как-то связано с моей строкой кода в отношении freq=’D’ . Есть ли обходной путь для чего-то подобного?
Вот пример фрейма данных. Примечание, которое я оставил в данных 2018-09-24, поэтому оно приведет к ошибке, на которую я ссылаюсь, если вы удалите строки 2018-09-24, то .pdGrouper(freq=’D’) будет работать.
InternalSymbol Open High Low Close
CollectionTimestamp (CST)
2018-09-17 06:00:00 GCZ8 1202.1 1203.7 1201.5 1202.5
2018-09-17 07:00:00 GCZ8 1202.5 1202.6 1200.8 1202.2
2018-09-17 08:00:00 GCZ8 1202.3 1204.8 1202.1 1204.1
2018-09-17 09:00:00 GCZ8 1204.1 1206.7 1203.4 1206.1
2018-09-17 10:00:00 GCZ8 1206.1 1209.7 1205.9 1208.3
2018-09-17 11:00:00 GCZ8 1208.2 1209.0 1207.0 1207.8
2018-09-17 12:00:00 GCZ8 1207.8 1207.9 1206.5 1207.3
2018-09-17 13:00:00 GCZ8 1207.2 1207.4 1205.3 1205.9
2018-09-17 14:00:00 GCZ8 1205.9 1206.8 1204.6 1205.6
2018-09-17 15:00:00 GCZ8 1205.7 1206.0 1204.6 1205.2
2018-09-18 06:00:00 GCZ8 1203.7 1204.9 1202.9 1204.7
2018-09-18 07:00:00 GCZ8 1204.8 1207.8 1204.6 1207.0
2018-09-18 08:00:00 GCZ8 1207.0 1207.1 1204.1 1205.7
2018-09-18 09:00:00 GCZ8 1205.6 1208.2 1205.2 1206.4
2018-09-18 10:00:00 GCZ8 1206.3 1206.5 1202.2 1204.6
2018-09-18 11:00:00 GCZ8 1204.7 1205.0 1203.1 1203.8
2018-09-18 12:00:00 GCZ8 1203.8 1204.3 1202.7 1203.0
2018-09-18 13:00:00 GCZ8 1203.0 1203.9 1201.9 1203.0
2018-09-18 14:00:00 GCZ8 1203.0 1203.3 1201.7 1202.4
2018-09-18 15:00:00 GCZ8 1202.3 1203.0 1201.4 1202.9
2018-09-19 06:00:00 GCZ8 1207.3 1208.4 1207.2 1207.6
2018-09-19 07:00:00 GCZ8 1207.6 1208.2 1206.8 1207.6
2018-09-19 08:00:00 GCZ8 1207.6 1211.0 1205.9 1210.0
2018-09-19 09:00:00 GCZ8 1210.0 1210.1 1206.0 1207.9
2018-09-19 10:00:00 GCZ8 1207.9 1208.9 1205.7 1208.1
2018-09-19 11:00:00 GCZ8 1208.1 1210.8 1207.4 1208.2
2018-09-19 12:00:00 GCZ8 1208.3 1209.5 1208.1 1208.9
2018-09-19 13:00:00 GCZ8 1208.9 1209.0 1207.2 1207.5
2018-09-19 14:00:00 GCZ8 1207.4 1208.9 1207.4 1208.6
2018-09-19 15:00:00 GCZ8 1208.6 1208.7 1207.6 1208.3
2018-09-20 06:00:00 GCZ8 1207.4 1208.3 1206.8 1207.8
2018-09-20 07:00:00 GCZ8 1207.8 1210.4 1207.2 1210.2
2018-09-20 08:00:00 GCZ8 1210.2 1212.5 1209.7 1211.7
2018-09-20 09:00:00 GCZ8 1211.8 1212.4 1209.8 1211.0
2018-09-20 10:00:00 GCZ8 1211.0 1213.2 1208.1 1209.1
2018-09-20 11:00:00 GCZ8 1209.1 1209.6 1207.6 1208.2
2018-09-20 12:00:00 GCZ8 1208.2 1210.5 1208.0 1210.4
2018-09-20 13:00:00 GCZ8 1210.3 1211.6 1209.5 1210.6
2018-09-20 14:00:00 GCZ8 1210.5 1211.4 1209.6 1211.3
2018-09-20 15:00:00 GCZ8 1211.4 1212.6 1211.2 1211.9
2018-09-21 06:00:00 GCZ8 1212.3 1212.7 1209.3 1209.7
2018-09-21 07:00:00 GCZ8 1209.7 1210.4 1208.6 1209.1
2018-09-21 08:00:00 GCZ8 1209.0 1209.8 1199.3 1200.1
2018-09-21 09:00:00 GCZ8 1200.2 1202.0 1196.0 1200.8
2018-09-21 10:00:00 GCZ8 1200.9 1205.6 1200.9 1204.3
2018-09-21 11:00:00 GCZ8 1204.3 1204.7 1199.8 1200.6
2018-09-21 12:00:00 GCZ8 1200.6 1203.0 1200.3 1201.7
2018-09-21 13:00:00 GCZ8 1201.6 1203.3 1200.3 1201.3
2018-09-21 14:00:00 GCZ8 1201.4 1201.5 1200.2 1201.5
2018-09-21 15:00:00 GCZ8 1201.6 1203.5 1201.5 1203.3
2018-09-24 06:00:00 GCZ8 1203.3 1204.1 1202.9 1203.0
2018-09-24 07:00:00 GCZ8 1203.0 1204.9 1202.9 1204.2
2018-09-24 08:00:00 GCZ8 1204.3 1205.4 1202.5 1202.6
2018-09-24 09:00:00 GCZ8 1202.5 1208.6 1202.3 1207.1
2018-09-24 10:00:00 GCZ8 1207.1 1208.8 1205.9 1207.8
2018-09-24 11:00:00 GCZ8 1207.7 1208.3 1204.7 1206.1
2018-09-24 12:00:00 GCZ8 1206.1 1206.2 1204.7 1205.6
2018-09-24 13:00:00 GCZ8 1205.5 1205.5 1203.5 1204.2
2018-09-24 14:00:00 GCZ8 1204.1 1204.3 1203.3 1203.8
2018-09-24 15:00:00 GCZ8 1203.7 1204.2 1202.9 1203.3
Ответ №1:
Попробуйте сгруппировать в существующие дни. Использование grouper или resample попытается заполнить пропущенные дни NAN, у которых, так сказать, нет максимума, поэтому нет существующего индекса, который ассоциируется с этими пропущенными днями:
df.loc[df.groupby(df.index.date)["High"].idxmax()]
InternalSymbol Open High Low Close
CollectionTimestamp (CST)
2018-09-17 10:00:00 GCZ8 1206.1 1209.7 1205.9 1208.3
2018-09-18 09:00:00 GCZ8 1205.6 1208.2 1205.2 1206.4
2018-09-19 08:00:00 GCZ8 1207.6 1211.0 1205.9 1210.0
2018-09-20 10:00:00 GCZ8 1211.0 1213.2 1208.1 1209.1
2018-09-21 06:00:00 GCZ8 1212.3 1212.7 1209.3 1209.7
2018-09-24 10:00:00 GCZ8 1207.1 1208.8 1205.9 1207.8