我想根据每组中的最小和最大日期填充每组数据框中缺失的月份。
此方法有效,但使用
polars.apply
。
import polars as pl
import numpy as np
from datetime import date
DATA_SIZE = 10000000
raw_df = pl.DataFrame({
"id": np.random.choice(range(0, 10000), DATA_SIZE),
"date": pl.date_range(date(1940, 1, 1), date(2020, 1, 1), interval="1mo").sample(DATA_SIZE, with_replacement=True),
"value": np.random.rand(DATA_SIZE)
})
clean_df = (raw_df
.groupby("id")
.agg(
pl.struct([pl.col("date").min().alias("startDate"), pl.col("date").max().alias("endDate")])
.apply(lambda row: pl.date_range(row["startDate"], row["endDate"], interval="1mo")).alias("date")
)
.explode("date")
.join(raw_df, how="left", on=["id", "date"])
.with_column(pl.col("value").fill_null(0))
)
既然
date_range
接受表达式,应该有一个更优雅、更快的解决方案,但我无法让它工作:ValueError: did not expect value <built-in function id> of type <class 'builtin_function_or_method'>
(raw_df
.groupby("id")
.agg([
pl.col("date").min().alias("startDate"), pl.col("date").max().alias("endDate")
])
.select([
id, pl.date_range(pl.col("startDate"), pl.col("endDate"), interval="1mo")
])
)
如何将
date_range
与表达式一起使用?
您的答案是正确的,但有一点语法错误,您错过了“id”周围的引号。错误消息有点神秘,因为
id
也是一个函数。
(raw_df
.group_by("id")
.agg(
pl.col("date").min().alias("startDate"), pl.col("date").max().alias("endDate")
)
.select(
"id", pl.date_ranges(pl.col("startDate"), pl.col("endDate"), interval="1mo").alias("date")
)
.explode("date")
.join(raw_df, how="left", on=["id", "date"])
.with_columns(pl.col("value").fill_null(0))
)