Question

我有一只大熊猫。正数系列。我需要找到“异常值”的索引，其值离开前一个“范数”3或更多。

如何对此功能进行矢量化：

def baseline(s):
    values = []
    indexes = []
    last_valid = s.iloc[0]
    for idx, val in s.iteritems():
        if abs(val - last_valid) >= 3:
            values.append(val)
            indexes.append(idx)
        else:
            last_valid = val
    return pd.Series(values, index=indexes)

例如，如果输入为：

import pandas as pd
s = pd.Series([7,8,9,10,14,10,10,14,100,14,10])
print baseline(s)

所需的输出是：

请注意，10之后的14值不会返回，因为它们“恢复正常”值。

编辑：

在代码中添加了abs()。数字是积极的。
这里的目的是加快代码速度。
不能完全模仿代码的答案可能可以接受。
更改示例以包含另一个边缘大小写，其中值缓慢变化3。

Answer 1

这是我原来的“矢量化”解决方案：

您可以使用shift和numpy的where获取last_valid：

In [1]: s = pd.Series([10, 10, 10, 14, 10, 10, 10, 14, 100, 14, 10])

In [2]: last_valid = pd.Series(np.where((s - s.shift()).abs() < 3, s, np.nan))
        last_valid.iloc[0] = s.iloc[0]  # initialize with first value of s
        last_valid.ffill(inplace=True)

In [3]: last_valid
Out[3]:
0      7
1      8
2      9
3     10
4     10
5     10
6     10
7     10
8     10
9     10
10    10
dtype: float64

这使问题变得更加容易。您可以将其与s进行比较：

In [4]: s - last_valid  # alternatively use (s - last_valid).abs()
Out[4]: 
0      0
1      0
2      0
3      0
4      4
5      0
6      0
7      4
8     90
9      4
10     0
dtype: float64

那些差异超过+3的元素：

In [5]: (s - last_valid).abs() >= 3
Out[5]: 
0     False
1     False
2     False
3     False
4      True
5     False
6     False
7      True
8      True
9      True
10    False
dtype: bool

In [6]: s[(s - last_valid).abs() >= 3]
Out[6]: 
4     14
7     14
8    100
9     14
dtype: int64

根据需要。 ...左右看起来，@ alko的例子显示这不太正确。

更新

正如@alko所指出的，下面的矢量化方法并不完全正确，特别是对于示例s = pd.Series([10, 14, 11, 10, 10, 12, 14, 100, 100, 14, 10])，我的“矢量化”方法将第二个100包括为“非异常值”，即使它处于基线

这导致我（和@alko一起）认为这不能被矢量化。作为替代方案，我已经包含了一个简单的cython实现（参见cython section of pandas docs），它比原生python快得多：

%%cython
cimport numpy as np
import numpy as np
cimport cython
@cython.wraparound(False)
@cython.boundscheck(False)
cpdef _outliers(np.ndarray[double] s):
    cdef np.ndarray[Py_ssize_t] indexes
    cdef np.ndarray[double] vals
    cdef double last, val
    cdef Py_ssize_t count
    indexes = np.empty(len(s), dtype='int')
    vals = np.empty(len(s))
    last = s[0]
    count = 0
    for idx, val in enumerate(s):
        if abs(val - last) >= 3:
            indexes[count] = idx
            vals[count] = val
            count += 1
        else:
            last = val
    return vals[:count], indexes[:count]

def outliers(s):
    return pd.Series(*_outliers(s.values.astype('float')))

时间的一些指示：

In [11]: s = pd.Series([10,10,12,14,100,100,14,10])

In [12]: %timeit baseline(s)
10000 loops, best of 3: 132 µs per loop

In [13]: %timeit outliers(s)
10000 loops, best of 3: 46.8 µs per loop

In [21]: s = pd.Series(np.random.randint(0, 100, 100000))

In [22]: %timeit baseline(s)
10 loops, best of 3: 161 ms per loop

In [23]: %timeit outliers(s)
100 loops, best of 3: 9.43 ms per loop

有关详情，请参阅pandas docs的cython (enhancing performance) section。

Answer 2

我尝试解决问题的方法是将其表示为last_valid的循环表达式，然后按照Andy Hayden的说法进行操作。 last_valid的表达式为：

lv[i] = lv[i-1] if diff >= 3 else v[i]

，其中

diff = abs(v[i] - lv[i-1]))

其中i是迭代次数。要在DataFrame中实现这一点，我使用的是来自ctype的指针。通过在指向列lv（last_valid）的指针移动列上取消引用，可以在下一个迭代步骤中访问计算得到的值。

from ctypes import *
import pandas as pd

df = pd.DataFrame({'s_num': [7,8,9,10,14,10,10,14,100,14,10]})
df['s'] = df['s_num'].apply(c_long)
df['lv'] = [c_long(0) for x in range(len(df))]
df.ix[0, 'lv'] = df.ix[0, 's']
df['p_lv'] = df['lv'].apply(pointer)
df['p_lv_m1'] = df['p_lv'].shift()

def ff(x):
    if not pd.isnull(x['p_lv_m1']):
        diff = abs(x['s'].value - x['p_lv_m1'].contents.value)
        x['p_lv'][0] = x['s'] if diff < 3 else x['p_lv_m1'][0]
    return None

df.apply(ff, 1)
df['lv_num'] = df['lv'].apply(lambda x: x.value)
df = df[['s_num', 'lv_num']]

print df.ix[(df['s_num'] - df['lv_num']).abs() >= 3, 's_num']

如何在一系列中找到异常值，进行矢量化？

2 个答案:

更新