将两个包含计数事件和不同行的 Pandas 系列相加

Question

我正在尝试合并两个具有不同日期时间的 pandas.Series，但在最终合并中获得正确的值时遇到一些问题。我看到一些帖子，他们将两个系列都保存在数据框中，但我想返回一个包含两者总和的系列。

背景： 我有 pandas 系列，其中包含房间中检测到的人数，我想将它们合并到建筑物的计数中（在下面的示例中包含 2 个房间）。我可以通过将房间聚集在一起直到将所有房间合并为一个（即建筑物）来做到这一点

我觉得我必须对系列进行排序，然后逐行浏览才能获得正确的计数。 到目前为止，我使用 zip() 函数逐行浏览该系列（已排序），但我怀疑有更好的方法来做到这一点。有什么想法吗？

这是一个片段代码：

# The data in
room1_idx = pd.to_datetime([
    '2023-08-11T17:00:44',  # 6 people counted
    '2023-08-11T17:06:47',  # 7 people counted
    '2023-08-11T17:06:49',  # 8 people counted
    '2023-08-11T17:07:00',  # 10 people counted
    '2023-08-11T17:07:20',  # 8 people counted
    ])
room1 = pd.Series([6, 7, 8, 10, 8], index=room1_idx, name="Room 1")

room2_idx = pd.to_datetime([
    '2023-08-11T17:06:45',  # 1 people counted
    '2023-08-11T17:06:46',  # 4 people counted
    '2023-08-11T17:06:47',  # 5 people counted
    '2023-08-11T17:07:02',  # 10 people counted
    '2023-08-11T17:07:10',  # 7 people counted
    '2023-08-11T17:07:30',  # 2 people counted
    ])
room2 = pd.Series([1, 4, 5, 10, 7, 2], index=room2_idx, name="Room 2")

print(room1)
print(room2)

我想要得到的是一个可以输出以下内容的函数：

building_idx = pd.to_datetime([
    '2023-08-11 17:00:44',  # 6+0 people counted
    '2023-08-11 17:06:45',  # 6+1 people counted
    '2023-08-11 17:06:46',  # 6+4 people counted
    '2023-08-11 17:06:47',  # 7+5 people counted
    '2023-08-11 17:06:49',  # 8+5 people counted
    '2023-08-11 17:07:00',  # 10+5 people counted
    '2023-08-11 17:07:02',  # 10+10 people counted
    '2023-08-11 17:07:10',  # 10+7 people counted
    '2023-08-11 17:07:20',  # 8+7 people counted
    '2023-08-11 17:07:30',  # 9+2 people counted
    ])
building = pd.Series([6, 7, 10, 12, 13, 15, 20, 17, 15, 11], index=building_idx, name="Building")
print(building)

Answer 1

concat

对齐、

ffill

和

sum

:

out = (pd
   .concat([room1, room2], axis=1)
   .ffill()
   .sum(axis=1)
 )

输出：

2023-08-11 17:00:44     6.0
2023-08-11 17:06:45     7.0
2023-08-11 17:06:46    10.0
2023-08-11 17:06:47    12.0
2023-08-11 17:06:49    13.0
2023-08-11 17:07:00    15.0
2023-08-11 17:07:02    20.0
2023-08-11 17:07:10    17.0
2023-08-11 17:07:20    15.0
2023-08-11 17:07:30    10.0
dtype: float64