目标
我有一些不同产品的金融交易数据，以CSV格式存储，希望使用pandas进行分析。交易发生的时间间隔不规则，并且时间戳精确到1秒，这导致某些交易“同时”发生，即具有相同的时间戳。
目前的目标是为每个产品生成累计交易数量的图表。
当前进展
使用read_csv()函数将交易数据读入DataFrame，索引为解析后的日期时间。
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 447 entries, 2012-12-07 17:16:46 to 2012-12-10 16:28:29
Data columns:
Account Name 447 non-null values
Exchange 447 non-null values
Instrument 447 non-null values
Fill ID 447 non-null values
Side 447 non-null values
Quantity 447 non-null values
Price 447 non-null values
dtypes: float64(1), int64(1), object(5)
我做了一点工作来添加一个“QuantitySigned”列。
我进行了“groupby”操作，以便可以按仪器访问数据。
grouped = trades.groupby('Instrument', sort=True)
for name, group in grouped:
group.QuantitySigned.cumsum().plot(label=name)
plt.legend()
问题
上述方法是可行的，但我想把每个工具的TimeSeries放到一个DataFrame中，也就是说每个工具都有一列，这样我就可以使用DataFrame.plot()了。 问题是没有两个TimeSeries的索引完全相同，也就是说我需要合并所有TimeSeries的索引。
我知道这是可行的，因为下面有个简单的例子：
index=pd.date_range('2012-12-21', periods=5)
s1 = Series(randn(3), index=index[:3])
s2 = Series(randn(3), index=index[2:])
df = DataFrame(index=index)
df['s1'] = s1
df['s2'] = s2
然而，当尝试将TimeSeries聚合到DataFrame中时，会抛出异常，我认为这与索引元素重复有关：
grouped = trades.groupby('Instrument', sort=True)
df = DataFrame(index=trades.index)
for name, group in grouped:
df[name] = group.QuantitySigned.cumsum()
df.plot()
Exception: Reindexing only valid with uniquely valued Index objects
我这样做“正确”吗？有没有更好的方法建议？
可运行示例
这是一个可运行的示例，会抛出异常：
import pandas as pd
from pandas import Series
from pandas import DataFrame
index = pd.tseries.index.DatetimeIndex(['2012-12-22', '2012-12-23', '2012-12-23'])
s1 = Series(randn(2), index[:2]) # No duplicate index elements
df1 = DataFrame(s1, index=index) # This works
s2 = Series(randn(2), index[-2:]) # Duplicate index elements
df2 = DataFrame(s2, index=index) # This throws
解决方案
感谢@crewbum提供的解决方案。
grouped = trades.groupby('Instrument', sort=True)
dflist = list()
for name, group in grouped:
dflist.append(DataFrame({name : group.QuantitySigned.cumsum()}))
results = pd.concat(dflist)
results = results.sort().ffill().fillna(0)
results.plot()
注意：在将剩余的NaN设置为零之前，我先进行了前向填充。正如@crewbum指出的那样，ffill()和bfill()是新版本的0.10.0。
我使用的是： - pandas 0.10.0 - numpy 1.6.1 - Python 2.7.3.