如何用Pandas计算时间序列DataFrame中每日新增病例数？

嘿，我来帮你搞定这个计算每日新增新冠病例的问题！先理清楚核心需求：从累计病例数得到每日新增，本质是对每个地区（州/县）的时间序列做「当前值 - 前一天值」的计算。你之前尝试的方法没找对正确的操作顺序，咱们一步步拆解：

先分析你遇到的报错原因 #

你尝试的几个方法都是逻辑顺序错了，导致报错：

• df.resample('2d').diff()：resample返回的是重采样器对象，它本身没有diff()方法，得先完成重采样聚合，再对结果用diff()，或者先算差值再重采样
• df.resample('1d').agg(np.subtract)：np.subtract需要两个输入参数，但agg是对组内数据做聚合操作（比如求和、均值），没法直接用来做前后行的减法
• df.rolling(2).diff()：Rolling对象确实没有diff()方法，diff()是Series/DataFrame的原生方法，不需要套rolling
• df.rolling('2').agg(np.subtract)：同样，rolling的agg用subtract缺少第二个参数，逻辑上就不成立

正确的解决方案（手动/函数实现） #

核心思路是：先按地区（州/县）分组 → 确保时间序列按日期排序 → 对累计病例列用diff()计算前后行差值

第一步：处理样本数据 #

先拿你提供的样本数据测试，代码如下：

import pandas as pd
import numpy as np
from datetime import date as dt_date

# 你的样本数据
sample_df = pd.DataFrame(
    data={
        'state': ['Alabama','Alabama','Alabama','Alabama','Alabama'],
        'date': [dt_date(2020,3,13), dt_date(2020,3,14), dt_date(2020,3,15), dt_date(2020,3,16), dt_date(2020,3,17)],
        'covid_cases': [1.2,2.0,2.9,3.6,3.9]
    }
)

# 1. 按state和date排序（关键！确保时间序列是连续的）
sample_df = sample_df.sort_values(by=['state', 'date'])

# 2. 按state分组，对累计病例列计算diff，得到每日新增
sample_df['new_covid_cases'] = sample_df.groupby('state')['covid_cases'].diff()

# 输出结果，和你期望的一致
print(sample_df)

运行后会得到你想要的输出：第一天因为没有前一天数据，新增为NaN，后面的数值都是对应日期的新增病例。

第二步：处理真实NYT数据集 #

直接套用上面的逻辑到真实数据上：

# 读取NYT数据（你提供的代码）
df = pd.read_csv('https://raw.githubusercontent.com/nytimes/covid-19-data/master/us-counties.csv', parse_dates=['date'])

# 按state和date取病例均值（保留你的原有操作）
df_state = df.groupby(['state','date'])[['cases']].mean().reset_index()

# 核心步骤：排序 + 分组计算新增
df_state = df_state.sort_values(by=['state', 'date'])
df_state['new_cases'] = df_state.groupby('state')['cases'].diff()

# 可选：如果想把第一天的NaN替换为0
# df_state['new_cases'] = df_state['new_cases'].fillna(0)

扩展：结合滚动均值/重采样 #

如果你需要结合之前提到的滚动均值、2天重采样操作，可以在计算新增后进行：

# 示例1：计算新增病例的7天滚动均值
df_state['new_cases_7d_avg'] = df_state.groupby('state')['new_cases'].rolling(7).mean().reset_index(level=0, drop=True)

# 示例2：按2天重采样，计算每2天的新增病例总和
# 先把date设为索引，再分组重采样
df_state_indexed = df_state.set_index('date')
df_2d_sum = df_state_indexed.groupby('state')['new_cases'].resample('2d').sum().reset_index()

关键知识点总结 #

1. 排序是前提：时间序列计算必须确保日期是按顺序排列的，否则diff()会计算错误的行差值
2. 分组是核心：必须按地区（州/县）分组，避免跨地区的病例差值计算
3. diff()是最优解：pandas的diff()方法专门用来计算前后行的差值，比手动用rolling或subtract更简洁可靠

内容的提问来源于stack exchange，提问作者sc4s2cg