Erster Wert jeder Woche in pd.Series/Dataframe

Question

Sagen wir, ich habe ein pd.Series von täglich S & P 500 Werte, und ich möchte diese Serie filtern, um die ersten Geschäftstag zu erhalten und den zugehörigen Wert von jede Woche.

So würde zum Beispiel meine gefilterte Serie den 5. September 2017 enthalten (Dienstag - kein Wert für den Montag), dann 11. September 2017 (Montag).

Source series: 
2017-09-01 2476.55 
2017-09-05 2457.85 
2017-09-06 2465.54 
2017-09-07 2465.10 
2017-09-08 2461.43 
2017-09-11 2488.11 
2017-09-12 2496.48 

Filtered series 
2017-09-01 2476.55 
2017-09-05 2457.85 
2017-09-11 2488.11 

Meine Lösung besteht derzeit aus:

mask  = SP500.apply(lambda row: SP500[row.name - datetime.timedelta(days=row.name.weekday()):].index[0], axis=1).unique() 
filtered = SP500.loc[mask] 

Dies ist jedoch suboptimal/nicht-pythonic fühlt. Irgendwelche besseren/schnelleren/saubereren Lösungen?

Answer 1

Mit resample auf pd.Series.index.to_series

s[s.index.to_series().resample('W').first()] 

2017-09-01 2476.55 
2017-09-05 2457.85 
2017-09-11 2488.11 
dtype: float64 

Answer 2

Ich bin nicht sicher, dass die Lösung, die Sie geben, funktioniert, da die App.-Methode für Serien nicht auf den Index zugreifen kann und kein Achsenargument hat. Was Sie gab auf einem Datenrahmen funktionieren würde, aber das ist einfacher, wenn Sie einen Datenrahmen haben:

#Make some fake data 
x = pd.DataFrame(pd.date_range(date(2017, 10, 9), date(2017, 10, 23)), columns = ['date']) 
x['value'] = x.index 
print(x) 
     date value 
0 2017-10-09  0 
1 2017-10-10  1 
2 2017-10-11  2 
3 2017-10-12  3 
4 2017-10-13  4 
5 2017-10-14  5 
6 2017-10-15  6 
7 2017-10-16  7 
8 2017-10-17  8 
9 2017-10-18  9 
10 2017-10-19  10 
11 2017-10-20  11 
12 2017-10-21  12 
13 2017-10-22  13 
14 2017-10-23  14 

#filter 
filtered = x.groupby(x['date'].apply(lambda d: d-timedelta(d.weekday())), as_index = False).first() 
print(filtered) 
     date value 
0 2017-10-09  0 
1 2017-10-16  7 
2 2017-10-23  14 

Answer 3

df.sort_index().assign(week=df.index.get_level_values(0).week).drop_duplicates('week',keep='first').drop('week',1) 
Out[774]: 
       price 
2017-09-01 2476.55 
2017-09-05 2457.85 
2017-09-11 2488.11