Estoy trabajando con un dataset como el siguiente:
Lat Long 1/22/20 1/23/20 1/24/20 1/25/20 1/26/20 1/27/20 ...
Country/Region
Afghanistan 33.939110 67.709953 0 0 0 0 0 0 0 0 0 0 0 0 0
Albania 41.153300 20.168300 0 0 0 0 0 0 0 0 0 0 0 0 0
Algeria 28.033900 1.659600 0 0 0 0 0 0 0 0 0 0 0 0 0
Andorra 42.506300 1.521800 0 0 0 0 0 0 0 0 0 0 0 0 0
Angola -11.202700 17.873900 0 0 0 0 0 0 0 0 0 0 0 0 0
Antigua and Barbuda 17.060800 -61.796400 0 0 0 0 0 0 0 0 0 0 0 0 0
Argentina -38.416100 -63.616700 0 0 0 0 0 0 0 0 0 0 0 0 0
Armenia 40.069100 45.038200 0 0 0 0 0 0 0 0 0 0 0 0 0
Australia -256.850200 1130.843900 0 0 0 0 4 5 5 6 9 9 12 12 12
Austria 47.516200 14.550100 0 0 0 0 0 0 0 0 0 0 0 0 0
Azerbaijan 40.143100 47.576900 0 0 0 0 0 0 0 0 0 0 0 0 0
Bahamas 25.025885 -78.035889 0 0 0 0 0 0 0 0 0 0 0 0 0
Quiero hacer una función que tiene como parámetros de entrada:
path:
Ruta del fichero que contiene los datosfecha:
fecha (string)
La función devuelve un diccionario guardado en pickle con el nombre de casos diarios por pais y por datos anteriores a el 1 de junio de 2020 (no incluido). El hecho es que en función de cual sea la fecha que reciba cómo parámetro de entrada el dataset debería quedar filtrado hasta la fecha indicada y no sé cómo hacerlo. Por el momento he conseguido hacer el código que me permite sacar el diccionario pero sin incluir el parámetro fecha. A continuación, el código:
import pickle
import pandas as pd
path_co='data/time_series_covid19_confirmed_global.csv'
def create_covid_pickle(path_co,fecha):
df = pd.read_csv(path_co)
# El fichero contiene repetidos varios Country/Region, he hecho un groupby para agrupar los casos.
df = df.groupby(['Country/Region']).sum()
# Solo estamos interesados en obtener datos antes del 1/06/2020, las fechas posteriores se han borrado.
df = df.drop(df.columns[133:], axis=1)
# También se ha borrado Lat y Long ya que no sirven.
aux = df.drop(columns=["Lat", "Long"]).to_dict(orient="split")
# Creamos el diccionario
d= {}
for i, pais in enumerate(aux["index"]):
d[pais]={"time":aux["columns"], "cases": aux["data"][i]}
# Lo guardamos en pickle
with open("primera_ola.pkl","wb") as tf:
diccionari = pickle.dump(d,tf)
return diccionari
A continuación, el código para testear:
#Cómo se puede ver la función tiene cómo parámetros (path, fecha) sin embargo no soy capaz de filtrar los
datos por fecha.
create_covid_pickle("data/time_series_covid19_confirmed_global.csv","01-06-20")
# Load and print some data
country_cases = pickle.load(open("primera_ola.pkl", "rb"))
print("The number of countries is {}".format(len(country_cases)))
print("The timeseries of Andorra is {}".format(country_cases["Andorra"]))
La salida deberia ser algo como lo siguiente y variable en función de la fecha indicada ya que variará los datos contenidos en el diccionario:
The number of countries is 192
The timeseries of Andorra is {'time': ['1/22/20', '1/23/20', '1/24/20', '1/25/20', '1/26/20', '1/27/20', '1/28/20', '1/29/20', '1/30/20', '1/31/20', '2/1/20', '2/2/20', '2/3/20', '2/4/20', '2/5/20', '2/6/20', '2/7/20', '2/8/20', '2/9/20', '2/10/20', '2/11/20', '2/12/20', '2/13/20', '2/14/20', '2/15/20', '2/16/20', '2/17/20', '2/18/20', '2/19/20', '2/20/20', '2/21/20', '2/22/20', '2/23/20', '2/24/20', '2/25/20', '2/26/20', '2/27/20', '2/28/20', '2/29/20', '3/1/20', '3/2/20', '3/3/20', '3/4/20', '3/5/20', '3/6/20', '3/7/20', '3/8/20', '3/9/20', '3/10/20', '3/11/20', '3/12/20', '3/13/20', '3/14/20', '3/15/20', '3/16/20', '3/17/20', '3/18/20', '3/19/20', '3/20/20', '3/21/20', '3/22/20', '3/23/20', '3/24/20', '3/25/20', '3/26/20', '3/27/20', '3/28/20', '3/29/20', '3/30/20', '3/31/20', '4/1/20', '4/2/20', '4/3/20', '4/4/20', '4/5/20', '4/6/20', '4/7/20', '4/8/20', '4/9/20', '4/10/20', '4/11/20', '4/12/20', '4/13/20', '4/14/20', '4/15/20', '4/16/20', '4/17/20', '4/18/20', '4/19/20', '4/20/20', '4/21/20', '4/22/20', '4/23/20', '4/24/20', '4/25/20', '4/26/20', '4/27/20', '4/28/20', '4/29/20', '4/30/20', '5/1/20', '5/2/20', '5/3/20', '5/4/20', '5/5/20', '5/6/20', '5/7/20', '5/8/20', '5/9/20', '5/10/20', '5/11/20', '5/12/20', '5/13/20', '5/14/20', '5/15/20', '5/16/20', '5/17/20', '5/18/20', '5/19/20', '5/20/20', '5/21/20', '5/22/20', '5/23/20', '5/24/20', '5/25/20', '5/26/20', '5/27/20', '5/28/20', '5/29/20', '5/30/20', '5/31/20'], 'cases': [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 39, 39, 53, 75, 88, 113, 133, 164, 188, 224, 267, 308, 334, 370, 376, 390, 428, 439, 466, 501, 525, 545, 564, 583, 601, 601, 638, 646, 659, 673, 673, 696, 704, 713, 717, 717, 723, 723, 731, 738, 738, 743, 743, 743, 745, 745, 747, 748, 750, 751, 751, 752, 752, 754, 755, 755, 758, 760, 761, 761, 761, 761, 761, 761, 762, 762, 762, 762, 762, 763, 763, 763, 763, 764, 764, 764]}
df
que recibes como parámetro, es decir, hacerle undrop()
de todas las columnas que tengan fecha superior a la que recibe como parámetro, y ya después obtienes el diccionario a partir de esedf
filtrado. ¿no?.to_dict()
, un filtro del estilodf = df.drop(columns=[d.strftime('%-m/%-d/%y') for d in columnas_fecha if d>=fecha])
como se hizo en la otra respuesta (tendrás que meter también el código que genera asignafecha
ycolumnas_fecha
, como en la otra pregunta. De ese modo eldf
resultante ya tiene solo las fechas que te interesan, y cuando lo conviertas a dict ya saldrá lo que quieres.