基于半小时时间序列，计算每日最后state=1后3小时内value的降幅

针对你的半小时粒度时间序列数据，我们可以用Python的pandas库高效处理，具体步骤如下：

1. 数据预处理 #

先读取数据并将date列转为datetime类型，设置为索引以方便时间操作：

import pandas as pd

# 读取数据（若数据是csv格式，直接读取；也可直接构造DataFrame）
df = pd.read_csv('your_data.csv', parse_dates=['date'], index_col='date')
# 确保数据按时间顺序排列
df = df.sort_index()

2. 按日期分组计算下降幅度 #

按日期分组后，对每组执行以下操作：

• 筛选当日所有state=1的记录，定位最后一次出现的时刻
• 提取该时刻之后3小时内的value数据
• 计算绝对下降幅度和相对下降幅度

完整实现代码：

def calculate_drop(group):
    # 筛选当日state=1的记录
    state_1_records = group[group['state'] == 1]
    if state_1_records.empty:
        # 当日无state=1的情况，返回空值
        return pd.Series([None, None], index=['drop_abs', 'drop_pct'])
    
    # 获取最后一次state=1的时刻和对应value
    last_state_1_time = state_1_records.index[-1]
    last_state_1_value = state_1_records['value'].iloc[-1]
    
    # 定义3小时后的时间节点
    end_time = last_state_1_time + pd.Timedelta(hours=3)
    # 提取该时段内的所有value数据
    period_values = group.loc[last_state_1_time:end_time, 'value']
    
    if len(period_values) <= 1:
        # 3小时内无后续数据，返回空值
        return pd.Series([None, None], index=['drop_abs', 'drop_pct'])
    
    # 计算下降幅度
    min_value = period_values.min()
    drop_abs = last_state_1_value - min_value  # 绝对下降幅度
    drop_pct = (drop_abs / last_state_1_value) * 100  # 相对下降百分比
    
    return pd.Series([drop_abs, drop_pct], index=['drop_abs', 'drop_pct'])

# 按日期分组应用计算逻辑
daily_result = df.groupby(df.index.date).apply(calculate_drop)
# 重置索引，将日期转为列
daily_result = daily_result.reset_index().rename(columns={'index': 'date'})

print(daily_result)

代码说明 #

• 空值处理：如果当日没有state=1的记录，或最后一次state=1后3小时内无数据，返回NaN避免报错
• 下降幅度定义：
  • 绝对下降幅度：最后一次state=1时的value减去后续3小时内的最小value
  • 相对下降幅度：绝对下降幅度占初始value的百分比，用于直观展示下降比例
• 时间范围：last_state_1_time:end_time会包含起始时刻到结束时刻的所有半小时粒度数据，匹配你的序列间隔

示例输出（对应你提供的2017-01-10数据） #

假设当日最后一次state=1的时刻是2017-01-10 21:30，对应value为23，3小时内的value包括23、20、18、17、16，最小value是16，输出结果为：

date  drop_abs   drop_pct
0  2017-01-10       7.0  30.434783

内容的提问来源于stack exchange，提问作者kultuhtu