Question

考虑到你有一些不均匀的时间序列数据：

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

假设我想在1毫秒的窗口内进行滚动操作以获得此结果：

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

目前，我把所有东西都重新投入了多头并在cython中做到了，但这在纯大熊猫中是否可行？我知道你可以做类似.asfreq（'U'）之类的东西，然后填充并使用传统的功能，但是当你拥有超过玩具行数时，这不会扩展。

作为参考，这是一个hackish，而不是快速的Cython版本：

%%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

在更大的系列中展示：

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

Answer 1

您可以使用cumsum和二分查找来解决此类问题。

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]

您需要一种处理NaN的方法，根据您的应用程序，您可能需要滞后时间的主要值（即使用kdb + bin与np.searchsorted之间的差异）。

希望这有帮助。

Answer 2

这是一个老问题，但对于那些从谷歌偶然发现这一点的人来说：在pandas 0.19中这是内置的功能

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

因此，要获得1毫秒的窗口，您可以通过

获得Rolling对象

dft.rolling('1ms')

，总和将是

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

Answer 3

使用rolling_sum可能更有意义：

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

Answer 4

这样的事情怎么样：

创建1 ms的偏移量：

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

创建一系列与时间序列长度相同的索引位置：

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

应用lambda函数，该函数为ts系列中的当前时间编制索引。该函数返回x - ms and x之间所有ts条目的总和。

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

以上功能的结果：

滑动窗户上的熊猫滚动计算（间隔不均匀）

4 个答案: