Как совокупные временные времена в Python?

Question

У меня есть два разных временя с частично перекрывающимися временными метками:

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')

который представляет следующие данные:

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

Я хотел бы рассчитать средневзвешенное в среднем каждый день с коэффициентами A (0,3) и B (0,7), игнорируя отсутствующие значения:

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

Когда я впервые попытаюсь выровнять эти временения:

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

Я получаю правильно замаскированные временения:

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)

но когда я сделаю a1 * 0.3 + b1 * 0.7, он игнорирует значения, которые присутствуют только в одних странах:

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

Что я должен сделать, чтобы получить ожидаемую?

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

РЕДАКТИРОВАТЬ: Ответ следует применимо и более двух исходных времен с разными весами и по-разному отсутствующим значениям.

Таким образом, если у нас есть четыре раза с весами T1 (0.1), T2 (0.2), T3 (0,3) и T4 (0,4), их веса на данном временном метке будут:

            |  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

Я пробовал и нашел это:

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])

Это применимо к отредактированному вопросу с более чем одной начальной временем. Но, надеюсь, кто-то найдет лучше.

Редактировать: И это моя функция:

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])

Работает для любого количества времен часов ;-)