Pandas Вычисления на раздвижные окна (неравномерно распределенные)

У вас есть некоторые неравномерные данные временных рядов:

import pandas as pd
import random as randy
ts = pd.Series(range(1000),index=randy.sample(pd.date_range('2013-02-01 09:00:00.000000',periods=1e6,freq='U'),1000)).sort_index()
print ts.head()


2013-02-01 09:00:00.002895    995
2013-02-01 09:00:00.003765    499
2013-02-01 09:00:00.003838    797
2013-02-01 09:00:00.004727    295
2013-02-01 09:00:00.006287    253

Скажем, я хотел сделать текущую сумму в окне 1 мс, чтобы получить следующее:

2013-02-01 09:00:00.002895    995
2013-02-01 09:00:00.003765    499 + 995
2013-02-01 09:00:00.003838    797 + 499 + 995
2013-02-01 09:00:00.004727    295 + 797 + 499
2013-02-01 09:00:00.006287    253

В настоящее время я отбрасываю все обратно в longs и делаю это на cython, но возможно ли это в чистом pandas? Я знаю, что вы можете сделать что-то вроде .asfreq('U'), а затем заполнить и использовать традиционные функции, но это не масштабируется, когда у вас больше, чем игрушка из строк.

Как точка отсчета, здесь хакерская, а не быстрая версия Cython:

%%cython
import numpy as np
cimport cython
cimport numpy as np

ctypedef np.double_t DTYPE_t

def rolling_sum_cython(np.ndarray[long,ndim=1] times, np.ndarray[double,ndim=1] to_add, long window_size):
    cdef long t_len = times.shape[0], s_len = to_add.shape[0], i =0, win_size = window_size, t_diff, j, window_start
    cdef np.ndarray[DTYPE_t, ndim=1] res = np.zeros(t_len, dtype=np.double)
    assert(t_len==s_len)
    for i in range(0,t_len):
        window_start = times[i] - win_size
        j = i
        while times[j]>= window_start and j>=0:
            res[i] += to_add[j]
            j-=1
    return res

Демонстрация этого в несколько большей серии:

ts = pd.Series(range(100000),index=randy.sample(pd.date_range('2013-02-01 09:00:00.000000',periods=1e8,freq='U'),100000)).sort_index()

%%timeit
res2 = rolling_sum_cython(ts.index.astype(int64),ts.values.astype(double),long(1e6))
1000 loops, best of 3: 1.56 ms per loop

Ответ 1

Вы можете решить большинство проблем этого типа с помощью cumsum и двоичного поиска.

from datetime import timedelta

def msum(s, lag_in_ms):
    lag = s.index - timedelta(milliseconds=lag_in_ms)
    inds = np.searchsorted(s.index.astype(np.int64), lag.astype(np.int64))
    cs = s.cumsum()
    return pd.Series(cs.values - cs[inds].values + s[inds].values, index=s.index)

res = msum(ts, 100)
print pd.DataFrame({'a': ts, 'a_msum_100': res})


                            a  a_msum_100
2013-02-01 09:00:00.073479  5           5
2013-02-01 09:00:00.083717  8          13
2013-02-01 09:00:00.162707  1          14
2013-02-01 09:00:00.171809  6          20
2013-02-01 09:00:00.240111  7          14
2013-02-01 09:00:00.258455  0          14
2013-02-01 09:00:00.336564  2           9
2013-02-01 09:00:00.536416  3           3
2013-02-01 09:00:00.632439  4           7
2013-02-01 09:00:00.789746  9           9

[10 rows x 2 columns]

Вам нужен способ обработки NaN, и в зависимости от вашего приложения вам может потребоваться преобладающее значение как по запаздыванию или нет (т.е. разница между использованием kdb + bin vs np.searchsorted).

Надеюсь, что это поможет.

Ответ 2

Это старый вопрос, но для тех, кто наткнулся на это из google: в pandas 0.19 он встроен как функция

http://pandas.pydata.org/pandas-docs/stable/computation.html#time-aware-rolling

Итак, чтобы получить 1 мс окна, похоже, что вы получаете объект Rolling, делая

dft.rolling('1ms')

и сумма была бы

dft.rolling('1ms').sum()

Ответ 3

Возможно, имеет смысл использовать rolling_sum:

pd.rolling_sum(ts, window=1, freq='1ms')

Ответ 4

Как насчет чего-то вроде этого:

Создать смещение за 1 мс:

In [1]: ms = tseries.offsets.Milli()

Создайте серию позиций индекса той же длины, что и ваши таймеры:

In [2]: s = Series(range(len(ts)))

Примените функцию лямбда, которая индексирует текущее время из серии ts. Функция возвращает сумму всех ts-записей между x - ms and x.

In [3]: s.apply(lambda x: ts.between_time(start_time=ts.index[x]-ms, end_time=ts.index[x]).sum())

In [4]: ts.head()
Out[4]:
2013-02-01 09:00:00.000558    348
2013-02-01 09:00:00.000647    361
2013-02-01 09:00:00.000726    312
2013-02-01 09:00:00.001012    550
2013-02-01 09:00:00.002208    758

Результаты вышеуказанной функции: