如何为小时级雨量时间序列添加多窗口滑动累计求和新列
你之前使用固定行数rolling(6)得到异常值的核心原因是该方法按行取数,没有和真实时间维度绑定:如果数据存在缺行、时间乱序、或者原始雨量值本身有异常负值,都会导致求和结果不符合预期。以下是可直接落地的实现方案:
实现步骤
1. 基础数据预处理
先完成时间索引构造、异常值清洗,为后续时间窗口计算做准备:
import pandas as pd # 拼接date、time字段为完整datetime类型,设置为索引并按时间升序排序 assomption_rain_df['datetime'] = pd.to_datetime(assomption_rain_df['date'] + ' ' + assomption_rain_df['time']) assomption_rain_df = assomption_rain_df.sort_values('datetime').set_index('datetime') # 清洗雨量异常值:雨量不可能为负,直接将小于0的异常值置为0,可根据业务规则调整为插值/剔除逻辑 assomption_rain_df['rain_gauge_value'] = assomption_rain_df['rain_gauge_value'].where(lambda x: x >= 0, 0)
2. 按真实时间窗口计算滑动累计值
pandas的rolling支持直接传入时间偏移量作为窗口长度,会自动根据索引的时间戳匹配对应时间范围内的数值,不需要依赖固定行数,完全适配存在时间断行的场景:
# 定义需要计算的窗口时长 window_hours = [6, 12, 24, 36, 48] for hour in window_hours: col_name = f'rain_gauge_value_{hour}hr' # closed='right'表示窗口右边界对齐当前行,统计「当前时间 - 对应时长, 当前时间」范围内的累计雨量 assomption_rain_df[col_name] = assomption_rain_df['rain_gauge_value'].rolling( window=f'{hour}H', closed='right' ).sum().round(2) # 保留小数位数可按需调整
3. 可选:补全连续时间序列
如果业务要求必须严格按小时连续输出,缺测时段也要补对应值,可以在预处理步骤增加重采样逻辑:
# 按小时重采样,缺测时段雨量填充为0,也可填充np.nan后做插值处理 assomption_rain_df = assomption_rain_df.resample('H').fillna(0)
内容的提问来源于stack exchange,提问作者CG7
相关产品推荐
相关产品推荐

