Pandas пересчеты с окном на основе значений вместо отсчетов
Я ищу способ сделать что-то вроде различных rolling_* функций pandas, но я хочу, чтобы окно скользящего вычисления определялось диапазоном значений (например, диапазон значений столбец DataFrame), а не количеством строк в окне.
В качестве примера предположим, что у меня есть эти данные:
>>> print d
RollBasis ToRoll
0 1 1
1 1 4
2 1 -5
3 2 2
4 3 -4
5 5 -2
6 8 0
7 10 -13
8 12 -2
9 13 -5
Если я делаю что-то вроде rolling_sum(d, 5), я получаю текущую сумму, в которой каждое окно содержит 5 строк. Но то, что я хочу, - это скользящая сумма, в которой каждое окно содержит определенный диапазон значений RollBasis. То есть, я хотел бы сделать что-то вроде d.roll_by(sum, 'RollBasis', 5) и получить результат, когда первое окно содержит все строки, чья RollBasis находится между 1 и 5, тогда второе окно содержит все строки, чей RollBasis составляет от 2 до 6, тогда третье окно содержит все строки, у которых RollBasis находится между 3 и 7 и т.д. Окна не будут иметь одинаковое количество строк, но диапазон значений RollBasis, выбранных в каждом окне, будет одна и та же. Таким образом, вывод должен выглядеть следующим образом:
>>> d.roll_by(sum, 'RollBasis', 5)
1 -4 # sum of elements with 1 <= Rollbasis <= 5
2 -4 # sum of elements with 2 <= Rollbasis <= 6
3 -6 # sum of elements with 3 <= Rollbasis <= 7
4 -2 # sum of elements with 4 <= Rollbasis <= 8
# etc.
Я не могу сделать это с помощью groupby, потому что groupby всегда создает непересекающиеся группы. Я не могу сделать это с помощью функций качения, потому что их окна всегда катятся по количеству строк, а не по значениям. Итак, как я могу это сделать?
Ответы
Ответ 1
Я думаю, что это делает то, что вы хотите:
In [1]: df
Out[1]:
RollBasis ToRoll
0 1 1
1 1 4
2 1 -5
3 2 2
4 3 -4
5 5 -2
6 8 0
7 10 -13
8 12 -2
9 13 -5
In [2]: def f(x):
...: ser = df.ToRoll[(df.RollBasis >= x) & (df.RollBasis < x+5)]
...: return ser.sum()
Вышеприведенная функция принимает значение, в данном случае RollBasis, а затем индексирует столбец фреймов данных ToRoll на основе этого значения. Возвращенная серия состоит из значений ToRoll, которые соответствуют критерию RollBasis + 5. Наконец, эта серия суммируется и возвращается.
In [3]: df['Rolled'] = df.RollBasis.apply(f)
In [4]: df
Out[4]:
RollBasis ToRoll Rolled
0 1 1 -4
1 1 4 -4
2 1 -5 -4
3 2 2 -4
4 3 -4 -6
5 5 -2 -2
6 8 0 -15
7 10 -13 -20
8 12 -2 -7
9 13 -5 -5
Код для примера игрушки DataFrame в случае, если кто-то хочет попробовать:
In [1]: from pandas import *
In [2]: import io
In [3]: text = """\
...: RollBasis ToRoll
...: 0 1 1
...: 1 1 4
...: 2 1 -5
...: 3 2 2
...: 4 3 -4
...: 5 5 -2
...: 6 8 0
...: 7 10 -13
...: 8 12 -2
...: 9 13 -5
...: """
In [4]: df = read_csv(io.BytesIO(text), header=0, index_col=0, sep='\s+')
Ответ 2
На основании ответа Zelazny7 я создал это более общее решение:
def rollBy(what, basis, window, func):
def applyToWindow(val):
chunk = what[(val<=basis) & (basis<val+window)]
return func(chunk)
return basis.apply(applyToWindow)
>>> rollBy(d.ToRoll, d.RollBasis, 5, sum)
0 -4
1 -4
2 -4
3 -4
4 -6
5 -2
6 -15
7 -20
8 -7
9 -5
Name: RollBasis
Он все еще не идеален, поскольку он очень медленный по сравнению с rolling_apply, но, возможно, это неизбежно.
Ответ 3
На основе ответа BrenBarns, но ускоряется с использованием индексации на основе меток, а не на основе булевых индексирования:
def rollBy(what,basis,window,func,*args,**kwargs):
#note that basis must be sorted in order for this to work properly
indexed_what = pd.Series(what.values,index=basis.values)
def applyToWindow(val):
# using slice_indexer rather that what.loc [val:val+window] allows
# window limits that are not specifically in the index
indexer = indexed_what.index.slice_indexer(val,val+window,1)
chunk = indexed_what[indexer]
return func(chunk,*args,**kwargs)
rolled = basis.apply(applyToWindow)
return rolled
Это намного быстрее, чем использование индексированного столбца:
In [46]: df = pd.DataFrame({"RollBasis":np.random.uniform(0,1000000,100000), "ToRoll": np.random.uniform(0,10,100000)})
In [47]: df = df.sort("RollBasis")
In [48]: timeit("rollBy_Ian(df.ToRoll,df.RollBasis,10,sum)",setup="from __main__ import rollBy_Ian,df", number =3)
Out[48]: 67.6615059375763
In [49]: timeit("rollBy_Bren(df.ToRoll,df.RollBasis,10,sum)",setup="from __main__ import rollBy_Bren,df", number =3)
Out[49]: 515.0221037864685
Стоит отметить, что решение на основе индексов - O (n), а версия логического разреза - O (n ^ 2) в среднем случае (я думаю).
Я считаю более полезным сделать это по равномерно разнесенным окнам от минимального значения Basis до максимального значения Basis, а не при каждом значении основы. Это означает изменение функции таким образом:
def rollBy(what,basis,window,func,*args,**kwargs):
#note that basis must be sorted in order for this to work properly
windows_min = basis.min()
windows_max = basis.max()
window_starts = np.arange(windows_min, windows_max, window)
window_starts = pd.Series(window_starts, index = window_starts)
indexed_what = pd.Series(what.values,index=basis.values)
def applyToWindow(val):
# using slice_indexer rather that what.loc [val:val+window] allows
# window limits that are not specifically in the index
indexer = indexed_what.index.slice_indexer(val,val+window,1)
chunk = indexed_what[indexer]
return func(chunk,*args,**kwargs)
rolled = window_starts.apply(applyToWindow)
return rolled
