Datenrahmen binned mittelt, überspringen nan

Question

Ich habe einen Datenrahmen der folgenden Struktur, die für die Zwecke dieser Frage vereinfacht:

Date  A B 
2016/1/1 nan nan 
2016/1/2 nan nan 
2016/1/3 3 2 
2016/1/4 4 1 
2016/1/5 nan nan 
2016/1/6 6 8 
2016/1/7 7 nan 
2016/1/8 8 3 
2016/1/9 9 5 

Was wünsche ich eine 3-tägige binned Durchschnitt erstellen zu tun, kann ich leicht tun dies mit

df = df.resample('3D', on='Date').mean() 

jedoch mit dieser Methode die nan Werte als Null-Werte gezählt und sie beeinflussen den Mittelwert etwa so:

Date  A B 
2016/1/1 nan nan 
2016/1/2 nan nan 
2016/1/3 3 2 

Mit df.resample('3D', on='Date').mean() kehrt:

Date  A B 
2016/1/3 1 2/3 

Wo, wie ich will erhalten:

Date  A B 
2016/1/3 3 2 

Wenn die Werte für die Berechnung ignoriert werden na.

Gemäß der Dokumentation auf .mean() Ich sollte Werte der Lage sein, skipna wie auf der Seite aufgelistet:

http://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.mean.html#pandas.Series.mean

Allerdings, wenn ich folgendes ausgeführt:

df = df.resample('3D', on='Date').mean(skipna=True) 

Die Folgendes wird zurückgegeben:

UnsupportedFunctionCall: numpy operations are not valid with resample. Use .resample(...).mean() instead 

Wie gehe ich über solv diesen Fehler und die richtigen Mittelwerte, die ich begehre?

Answer 1

Sie benötigen:

#mean works perfectly 
df1 = df.resample('3D', on='Date').mean() 
print (df1) 
       A B 
Date     
2016-01-01 3.0 2.0 
2016-01-04 5.0 4.5 
2016-01-07 8.0 4.0 

Für cumsum und cumcount mit Weglassung NaN Bedürfnis transform, auch für cumcount verwendet wird Trick Zahl 1 s:

df[['A1','B1']] = df.resample('3D', on='Date').transform('cumsum') 

df[['A2','B2']] = df[['A','B']].mask(df[['A','B']].notnull(), 1) 
df[['A2','B2']] = df.resample('3D', on='Date')[['A2','B2']].transform('cumsum') - 1 
print (df) 
     Date A B A1 B1 A2 B2 
0 2016-01-01 NaN NaN NaN NaN NaN NaN 
1 2016-01-02 NaN NaN NaN NaN NaN NaN 
2 2016-01-03 3.0 2.0 3.0 2.0 0.0 0.0 
3 2016-01-04 4.0 1.0 4.0 1.0 0.0 0.0 
4 2016-01-05 NaN NaN NaN NaN NaN NaN 
5 2016-01-06 6.0 8.0 10.0 9.0 1.0 1.0 
6 2016-01-07 7.0 NaN 7.0 NaN 0.0 NaN 
7 2016-01-08 8.0 3.0 15.0 3.0 1.0 0.0 
8 2016-01-09 9.0 5.0 24.0 8.0 2.0 1.0