上采样d时的等分值

Question

使用Python中的pandas库，我尝试将一些数据从每月值向上采样到每日值。有没有一种方法可以将一个值平均地拆分到其结果的“子项”上？你知道吗

例如，假设我在一月和二月都开了100公里：

In[1]: distPerMonth = pd.Series([100, 100], index=pd.PeriodIndex(['2019-01', '2019-02'], freq='M'))

In[2]: distPerMonth
Out[2]: 
2019-01    100
2019-02    100
Freq: M, dtype: int64

现在我想计算一下，从

In[3]: distPerMonth.resample('D')....

这会导致

Out[3]:
2019-01-01    3.225806451612903
2019-01-02    3.225806451612903
...
2019-02-27    3.5714285714285716
2019-02-28    3.5714285714285716
Freq: M, dtype: float64

（2月份的数值高于1月份的数值，因为我在不到几天的时间里就开了同样的距离。）

我要寻找的是一种将“aggregator”函数传递给重采样数据集的方法，原始值、原始时间段和“child”时间段都可用于此数据集。你知道吗

非常感谢！你知道吗

---

PS:What isnotworking is using a custom function like so:不工作的是使用如下自定义函数：

In[3]: distPerMonth.resample('D').apply(custom_function)

因为对于这个函数，只有子序列可用（在大多数情况下是空的）。我想我可以用这些子序列来推断哪个是父的时间段，然后用父序列来得到相应的父值，以某种方式计算出有多少子值，然后用这个数字除以父值，但这似乎是一种过于复杂的处理方式。你知道吗

---

对于稍后阅读此问题的读者：公认的解决方案适用于无间隙时间序列。如果行之间有间隙，请查看this question。你知道吗

Answer 1

您可以使用：

m=distPerMonth.resample('D').first()
m.groupby(m.notna().cumsum()).apply(lambda x: x/len(x.index)).ffill()

---

2019-01-01    3.225806
2019-01-02    3.225806
2019-01-03    3.225806
2019-01-04    3.225806
...
...
2019-02-25    3.571429
2019-02-26    3.571429
2019-02-27    3.571429
2019-02-28    3.571429