1

Lo que quiero hacer es identificar a que Sitio le falta alguna fecha de la lista llamada fechas. Para ser mas claro dejo un ejemplo con data:

fechas = ['1/1/2000','2/1/2000','3/1/2000','4/1/2000', '5/1/2000']

file:

Sitio,Fecha,Importe
a.com,1/1/2000,2
a.com,2/1/2000,3
a.com,3/1/2000,1
a.com,4/1/2000,5

En este caso me faltaría la fecha 5/1/2000 entonces quisiera que imprimiera el nombre del sitio ('a.com ej') y la fecha faltante

import pandas as pd

df = pd.read_csv('file.csv')
df.sort_values(by=['Sitio','Fecha'])

fechas = df.drop_duplicates(['Fecha'])
fechas = list(fechas['Fecha'])
2
  • No entiendo la pregunta... dices que te falta en ese ejemplo la fecha 5/1/2000, pero en cambio yo la veo ahi... en la última línea...
    – abulafia
    el 19 feb. 2018 a las 18:00
  • Si disculpa, escribi mal el ejemplo. @JLDiaz el 19 feb. 2018 a las 18:08

1 respuesta 1

1

A ver si lo entendí correctamente. Supongamos que éste es el contenido del CSV:

contenido = """
Sitio,Fecha,Importe
a.com,1/1/2000,2
a.com,2/1/2000,3
a.com,3/1/2000,1
a.com,4/1/2000,5
b.com,1/1/2000,2
b.com,2/1/2000,3
b.com,3/1/2000,1
b.com,5/1/2000,5
"""

En este caso el conjunto de fechas posibles sería ['1/1/2000', '2/1/2000', '3/1/2000', '4/1/2000', '5/1/2000'], y al sitio a.com le falta el 5/1/2000, mientras que a b.com le falta el 4/1/2000.

Empiezo con un código igual al que proporcionas en la pregunta (pero en vez de leer de un fichero lo leo de la cadena anterior):

import pandas as pd
import io

df = pd.read_csv(io.StringIO(contenido))
df.sort_values(by=['Sitio','Fecha'])

fechas = df.drop_duplicates(['Fecha'])
fechas = list(fechas['Fecha'])

El siguiente código detecta qué fecha falta en cada sitio. Es un poco farragoso, pero no se me ocurre forma más sencilla:

grupo = df.groupby("Sitio")
for site, dates in grupo.Fecha.unique().to_dict().items():
    diff = set(fechas) - set(dates)
    if diff:
        print("Al sitio {} le faltan las fechas {}".format(
               site, diff))

Salida:

Al sitio a.com le faltan las fechas {'5/1/2000'}
Al sitio b.com le faltan las fechas {'4/1/2000'}

Cómo funciona

pd.groupby("Sitio") agrupa todas las entradas juntando las que corresponden al mismo sitio. Sobre el grupo resultante hago un grupo.Fecha.unique() que me devuelve un dataframe en el que cada fila es un sitio diferente, y en la columna se tiene la lista de fechas (únicas) que aparecen para ese sitio.

Convierto ese dataframe a un diccionario para iterar más fácilmente sobre él, y simplemente voy comparando el conjunto de fechas de cada sitio con el conjunto de fechas "global", haciendo la diferencia de ambos conjuntos y mostrando aquellos que den una diferencia no vacía.

Actualización

Ante la petición adicional de generar un CSV con el resultado, una opción puede ser la siguiente.

En lugar de ir imprimiendo los sitios a los que les faltan fechas, los vamos guardando en una lista. Cada elemento de la lista será un diccionario con dos claves: "Sitio" y "Faltan_fechas", que contendrán respectivamente el nombre del sitio y una cadena que concatene las fechas faltantes.

Esa estructura es fácil de convertir en DataFrame pandas, y de ahí es trivial volcarla como CSV. Es decir, para acumular los resultados en una lista de diccionarios:

grupo = df.groupby("Sitio")
resultado = []
for site, dates in grupo.Fecha.unique().to_dict().items():
    diff = set(fechas) - set(dates)
    if diff:
        resultado.append(dict(Sitio=site, 
                              Faltan_fechas=",".join(diff)))

Para convertirlo a Dataframe:

df_result = pd.DataFrame(resultado, 
                         columns=["Sitio", "Faltan_fechas"]
                        ).sort_values(by="Sitio")

Para volcarlo a CSV:

df_result.to_csv("resultado.csv", index=False)

En este caso el fichero contendría:

Sitio,Faltan_fechas
a.com,5/1/2000
b.com,4/1/2000

En caso de que hubiera un sitio al que faltaran varias fechas, por ejemplo c.com, se volcaría esto:

Sitio,Faltan_fechas
a.com,5/1/2000
b.com,4/1/2000
c.com,"5/1/2000,4/1/2000,2/1/2000"

Este CSV solo tiene dos columnas, como ves, pero en la segunda puede haber una cadena separada por comas con varias fechas (que son una sola celda porque va entre comillas)

Actualización de la actualización

Para generar una salida en la que los sitios aparezcan repetidos tantas veces como fechas falten, esta es una opción:

grupo = df.groupby("Sitio")

resultado = []
for site, dates in grupo.Fecha.unique().to_dict().items():
    diff = set(fechas) - set(dates)
    if diff:
        for fecha in sorted(diff):
            resultado.append(dict(Sitio=site, Faltan_fechas=fecha))

La generación del dataframe y del csv queda como antes. Ejemplo de resultado:

Sitio,Faltan_Fechas
a.com,5/1/2000
b.com,4/1/2000
c.com,2/1/2000
c.com,4/1/2000
c.com,5/1/2000
5
  • Totalmente, eso es lo que buscaba. Muchas gracias el 19 feb. 2018 a las 18:50
  • Me gustaría guardar las respuestas dentro de un csv, sabes como puedo hacerlo?? el 19 feb. 2018 a las 19:43
  • @MartinBouhier El problema es cuando a un sitio (por ejemplo a.com) le faltan varias fechas. En ese caso ¿qué guardarías en el CSV? ¿Una columna para cada fecha que falte, o una cadena de caracteres en una sola columna con la lista de todas las fechas que faltan?
    – abulafia
    el 19 feb. 2018 a las 19:48
  • Una columna para cada fecha que falte sería lo ideal! pero sino se puede lo que puedas. Gracias el 19 feb. 2018 a las 20:02
  • a.com,13/02/18 a.com,17/02/18 a.com,10/02/18 a.com,02/02/18 a.com,01/02/18 a.com,07/02/18 que para cada fecha corresponda el nombre del sitio entonces me quedarían dos columnas con el sitio repetido la cantidad de fechas que falte el 19 feb. 2018 a las 20:09

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.