Pandas - расширяет фрейм данных, используя диапазон дат

Question

У меня есть следующий фрейм данных:

 name    from       amount   days
 A       7/31/18    200      1
 B       7/31/18    300      1
 C       7/30/18    200      1
 D       7/27/18    100      3
 ......
 G       7/17/18    50       1
 H       7/13/18    150      4

Я хотел бы расширить это до этого, где дни не равны 1:

 name    from       amount   days
 A       7/31/18    200      1
 B       7/31/18    300      1
 C       7/30/18    200      1
 D       7/29/18    100      3
 D       7/28/18    100      3
 D       7/27/18    100      3
 ......
 G       7/17/18    50       1
 H       7/16/18    150      4
 H       7/15/18    150      4
 H       7/14/18    150      4
 H       7/13/18    150      4

Если возможно, я бы также хотел добавить столбец, который может различать исходные данные и расширенные данные (так как в конечном итоге мне понадобится отфильтровать некоторые даты):

 name    from       amount   days   original
 A       7/31/18    200      1      1
 B       7/31/18    300      1      1
 C       7/30/18    200      1      1
 D       7/29/18    100      3      0
 D       7/28/18    100      3      0
 D       7/27/18    100      3      1
 ......
 G       7/17/18    50       1      1
 H       7/16/18    150      4      0
 H       7/15/18    150      4      0
 H       7/14/18    150      4      0
 H       7/13/18    150      4      1

Редактировать: Чтобы пояснить расширение: Дни скажут вам, сколько строк нужно расширить до. В качестве альтернативы, вы можете использовать дату выше исходного значения в качестве границы (запись 7/27, где days = 3, остановится на вышеуказанном значении, где дата 7/30. Данные имеют ограничения, чтобы гарантировать, что они никогда не перекрываются).

Answer 1

Примерно за два шага создайте кадр данных (reindex) и настройте значения (duplicated)

newdf=df.reindex(df.index.repeat(df.days)) # create the df using reindex
adddate=pd.Series(np.concatenate(df.days.apply(np.arange).values),index=newdf.index)# create the timedelta to add 
newdf['from']=pd.to_datetime(newdf['from'])+pd.to_timedelta(adddate,unit='d')# assign the value 
newdf['original']=(~newdf.index.duplicated()).astype(int)
newdf
Out[240]: 
  name       from  amount  days  original
0    A 2018-07-31     200     1         1
1    B 2018-07-31     300     1         1
2    C 2018-07-30     200     1         1
3    D 2018-07-27     100     3         1
3    D 2018-07-28     100     3         0
3    D 2018-07-29     100     3         0

Answer 2

Постижение

df['from'] = pd.to_datetime(df['from'])

pd.DataFrame([
    (n, f, a, d, int(f == F))
    for n, F, a, d in zip(*map(df.get, df))
    for f in pd.date_range(F, periods=d)[::-1]
], columns=[*df.columns] + ['original'])

   name       from  amount  days  original
0     A 2018-07-31     200     1         1
1     B 2018-07-31     300     1         1
2     C 2018-07-30     200     1         1
3     D 2018-07-29     100     3         0
4     D 2018-07-28     100     3         0
5     D 2018-07-27     100     3         1
6     G 2018-07-17      50     1         1
7     H 2018-07-16     150     4         0
8     H 2018-07-15     150     4         0
9     H 2018-07-14     150     4         0
10    H 2018-07-13     150     4         1

---

Вспомогательные функции

Я отредактировал свой ответ, чтобы использовать duplicated вместо cum_count. Я получил идею из сообщения @ Вэнь

def f(x):
  return pd.date_range(
      pd.to_datetime(x).min(),
      periods=len(x)
  ).sort_values(ascending=False)

def g(d):
  return d.groupby('name')['from'].transform(f)

def h(d):
  return 1 - d.name.duplicated(keep='last')

df.loc[df.index.repeat(df.days)].assign(**{'from': g, 'original': h})

  name       from  amount  days  original
0    A 2018-07-31     200     1         1
1    B 2018-07-31     300     1         1
2    C 2018-07-30     200     1         1
3    D 2018-07-29     100     3         0
3    D 2018-07-28     100     3         0
3    D 2018-07-27     100     3         1
4    G 2018-07-17      50     1         1
5    H 2018-07-16     150     4         0
5    H 2018-07-15     150     4         0
5    H 2018-07-14     150     4         0
5    H 2018-07-13     150     4         1