我有 3 个时间序列,需要随时间进行比较。显然,它们需要对齐才能具有可比性。不幸的是,3 个时间序列中有 2 个是不规则的。其他 2 个范围从每个 ID 和每天 2 到 500k 个观察。
初始时间序列每 300 毫秒可用一次,并且可以与其他两个时间序列连接在一起。
但是我有两个问题:
- 我上面介绍的这3个series都是
ID, time, value的格式,即每组一个单独的时间序列 - 制定连接条件,即假设
LEFT和最精细的粒度可以在一个时间窗口内连接,因为可能没有完全匹配
编辑
一些虚拟数据
import pandas as pd
from datetime import datetime
import numpy as np
def make_df(frequency, valueName):
date_rng = pd.date_range(start='2018-01-01', end='2018-01-02', freq=frequency)
ts = pd.Series(np.random.randn(len(date_rng)), index=date_rng)
groups = ['a', 'b', 'c', 'd', 'e']
group_series = [groups[np.random.randint(len(groups))] for i in range(0, len(date_rng))]
df = pd.DataFrame(ts, columns=[valueName])
df['group'] = group_series
return df
df_1 = make_df('ms', 'value_A')
display(df_1.head())
df_2 = make_df('H', 'value_B')
display(df_2.head())
df_3 = make_df('S', 'value_C')
display(df_3.head())
代码(都不是真正的pythonic): 我正在尝试一些类似于 SQL 中的 a JOIN b ON a.group = b.group AND time in window(some_seconds) 的非等值连接,但是如果有多个记录,这就会出现问题哪个匹配,即不仅是第一个,而且所有匹配/生成一行。
此外,我确实对类似于 (spark) 的数据进行了分组:df.groupBy($"KEY", window($"time", "5 minutes")).sum("metric") 但这可能会有很大的损失。
然后我找到了 (pandas) Pandas aligning multiple dataframes with TimeStamp index这看起来已经很有趣了,但是只会产生完全匹配。但是,当尝试使用 df_2.join(df_3, how='outer', on=['group'], rsuffix='_1') 时,它不仅在(精确)时间加入,但是 group 它失败了,错误是 pd.concat 是必需的。
经过更多搜索,我找到了 (pyspark) https://github.com/twosigma/flint它在一个时间间隔内实现时间序列连接 - 但是,我在使用它时遇到问题。
请您参考如下方法:
我找不到在 pandas 中执行此操作的简单方法 - 所以我求助于直接在 spark 中执行此操作。
Flint 是我的首选工具。最初,flint 不能在 spark 2.2 上工作,但我在这里修复:https://github.com/geoHeil/flint/commit/a2827d38e155ec8ddd4252dc62d89181f14f0c47以下工作正常:
val left = Seq((1,1L, 0.1), (1, 2L,0.2), (3,1L,0.3), (3, 2L,0.4)).toDF("groupA", "time", "valueA")
val right = Seq((1,1L, 11), (1, 2L,12), (3,1L,13), (3, 2L,14)).toDF("groupB", "time", "valueB")
val leftTs = TimeSeriesRDD.fromDF(dataFrame = left)(isSorted = false, timeUnit = MILLISECONDS)
val rightTS = TimeSeriesRDD.fromDF(dataFrame = right)(isSorted = false, timeUnit = MILLISECONDS)
val mergedPerGroup = leftTs.leftJoin(rightTS, tolerance = "1s")
即它对所有组执行某种笛卡尔连接:
mergedPerGroup.toDF.filter(col("groupA") === col("groupB")).show
+-------+------+------+------+------+
| time|groupA|valueA|groupB|valueB|
+-------+------+------+------+------+
|1000000| 3| 0.3| 3| 13|
|2000000| 3| 0.4| 3| 14|
使用 distinct 删除重复项。
