Comment agréger des timeseries en Python?

Question

j'ai deux séries chronologiques différentes avec des horodatages se chevauchant partiellement:

import scikits.timeseries as ts 
from datetime import datetime 
a = ts.time_series([1,2,3], dates=[datetime(2010,10,20), datetime(2010,10,21), datetime(2010,10,23)], freq='D') 
b = ts.time_series([4,5,6], dates=[datetime(2010,10,20), datetime(2010,10,22), datetime(2010,10,23)], freq='D') 

qui représente données suivantes:

Day: 20. 21. 22. 23. 
    a: 1 2 - 3 
    b: 4 - 5 6 

Je souhaite calculer une moyenne pondérée sur tous les jours avec des coefficients a (0,3) et b (0,7), tout en ignorant les valeurs manquantes:

Day 20.: (0.3 * 1 + 0.7 * 4)/(0.3 + 0.7) = 3.1/1. = 3.1 
Day 21.: (0.3 * 2   )/(0.3  ) = 0.6/0.3 = 2 
Day 22.: (   0.7 * 5)/(  0.7) = 3.5/0.7 = 5 
Day 23.: (0.3 * 3 + 0.7 * 6)/(0.3 + 0.7) = 3.1/1. = 5.1 

lorsque je tente d'abord d'aligner ces timeseries:

a1, b1 = ts.aligned(a, b) 

je suis correctement masquée timeseries:

timeseries([1 2 -- 3], 
    dates = [20-Oct-2010 ... 23-Oct-2010], 
    freq = D) 

timeseries([4 -- 5 6], 
    dates = [20-Oct-2010 ... 23-Oct-2010], 
    freq = D) 

mais quand je fais a1 * 0.3 + b1 * 0.7, il ne tient pas compte des valeurs, qui sont présents dans un timeseries seulement:

timeseries([3.1 -- -- 5.1], 
    dates = [20-Oct-2010 ... 23-Oct-2010], 
    freq = D) 

Que dois-je faire pour recevoir le attendu?

timeseries([3.1 2. 5. 5.1], 
    dates = [20-Oct-2010 ... 23-Oct-2010], 
    freq = D) 

EDIT: La réponse devrait être applicable aussi à plus de deux timeseries initiales avec des poids et des valeurs différentes différemment manquantes.

Donc, si nous disposons de quatre séries temporelles avec des poids T1 (0,1), T2 (0,2), T3 (0,3) et T4 (0,4), leur poids à une estampille temporelle donnée seront:

  | T1 | T2 | T3 | T4 | 
weight  | 0.1 | 0.2 | 0.3 | 0.4 | 
------------------------------------- 
all present | 10% | 20% | 30% | 40% | 
T1 missing |  | 22% | 33% | 45% | 
T1,T2 miss. |  |  | 43% | 57% | 
T4 missing | 17% | 33% | 50% |  | 
etc. 

Answer 1

je essayé et trouvé ceci:

aWgt = 0.3 
bWgt = 0.7 

print (np.where(a1.mask, 0., a1.data * aWgt) + 
     np.where(b1.mask, 0., b1.data * bWgt))/(np.where(a1.mask, 0., aWgt) + 
               np.where(b1.mask, 0., bWgt)) 

# array([ 3.1, 2. , 5. , 5.1]) 

Ceci est applicable à la question éditée avec plus d'un timeseries initial. Mais j'espère que quelqu'un trouvera mieux.

EDIT: Et voici ma fonction:

def weightedAvg(weightedTimeseries): 
    sumA = np.sum((np.where(ts.mask, 0., ts.data * weight) for ts, weight in weightedTimeseries), axis=0) 
    sumB = np.sum((np.where(ts.mask, 0., weight) for ts, weight in weightedTimeseries), axis=0) 
    return np.divide(sumA, sumB) 

weightedAvg(((a1, 0.3), (bb, 0.7))) 
# array([ 3.1, 2. , 5. , 5.1]) 

Works pour un certain nombre de séries chronologiques de