Question

假设我有以下数据框

Date, A
2014-11-21 11:00:00, 1
2014-11-21 11:03:00, 4
2014-11-21 11:04:00, 1
2014-11-21 11:05:00, 2
2014-11-21 11:07:00, 4
2014-11-21 11:08:00, 1
2014-11-21 11:12:00, 1
2014-11-21 11:13:00, 2

第一列是datetime对象，第二列是整数。我想要的是计算列的总和＆＃39; A＆＃39;每排最后五分钟。

作为行2014-11-21 11:12:00, 1的示例，列的总和＆＃39; A＆＃39;将是2（1 + 1）和列的总和＆＃39; A＆＃39;行2014-11-21 11:05:00, 2的行为7（2 + 1 + 4）。重要的是时间窗口的过去行数（5分钟）对于每一行都不相同（因为时间序列是不规则的）。

如何获得专栏的最后五分钟总和＆＃39; A＆＃39;在熊猫中使用rolling_sum方法？提前谢谢。

Answer 1

一般来说，如果日期完全是任意的，我认为你将被迫在行或use df.apply上使用Python for-loop，（在引擎盖下，也使用Python循环）。）

但是，如果您的日期共享一个共同的频率，如上所述，那么有一个技巧应该比使用df.apply快得多：根据公共频率扩展时间序列 - 在这种情况下，1分钟 - 用零填充NaN，然后拨打rolling_sum：

In [279]: pd.rolling_sum(df.set_index(['Date']).asfreq('1T').fillna(0), window=5, min_periods=1).reindex(df['Date'])
Out[279]: 
                      A
Date                   
2014-11-21 11:00:00   1
2014-11-21 11:03:00   5
2014-11-21 11:04:00   6
2014-11-21 11:05:00   7
2014-11-21 11:07:00  11
2014-11-21 11:08:00   8
2014-11-21 11:12:00   2
2014-11-21 11:13:00   3

当然，如果您愿意接受足够小的粒度，任何时间序列都有一个共同的频率，但df.asfreq(...)所需的大小可能会使这个技巧变得不切实际。

以下是使用df.apply的更一般方法的示例。请注意，调用searchsorted依赖于df['Date']按排序顺序排列。

import numpy as np
import pandas as pd
df = pd.read_csv('data', parse_dates=[0], sep=',\s*')
start_dates = df['Date'] - pd.Timedelta(minutes=5)
df['start_index'] = df['Date'].values.searchsorted(start_dates, side='right')
df['end_index'] = np.arange(len(df))

def sum_window(row):
    return df['A'].iloc[row['start_index']:row['end_index']+1].sum()
df['rolling_sum'] = df.apply(sum_window, axis=1)

print(df[['Date', 'A', 'rolling_sum']])

产量

                 Date  A  rolling_sum
0 2014-11-21 11:00:00  1            1
1 2014-11-21 11:03:00  4            5
2 2014-11-21 11:04:00  1            6
3 2014-11-21 11:05:00  2            7
4 2014-11-21 11:07:00  4           11
5 2014-11-21 11:08:00  1            8
6 2014-11-21 11:12:00  1            2
7 2014-11-21 11:13:00  2            3

以下是比较df.asfreq技巧与调用df.apply的基准：

import numpy as np
import pandas as pd
df = pd.read_csv('data', parse_dates=[0], sep=',\s*')

def big_df(df):
    df = df.copy()
    for i in range(7):
        dates = df['Date'] + pd.Timedelta(df.iloc[-1]['Date']-df.iloc[0]['Date']) + pd.Timedelta('1 minute')
        df2 = pd.DataFrame({'Date': dates, 'A': df['A']})
        df = pd.concat([df, df2])
    df = df.reset_index(drop=True)
    return df

def using_apply():
    start_dates = df['Date'] - pd.Timedelta(minutes=5)
    df['start_index'] = df['Date'].values.searchsorted(start_dates, side='right')
    df['end_index'] = np.arange(len(df))

    def sum_window(row):
        return df['A'].iloc[row['start_index']:row['end_index']+1].sum()

    df['rolling_sum'] = df.apply(sum_window, axis=1)
    return df[['Date', 'rolling_sum']]

def using_asfreq():
    result = (pd.rolling_sum(
        df.set_index(['Date']).asfreq('1T').fillna(0), 
        window=5, min_periods=1).reindex(df['Date']))
    return result

In [364]: df = big_df(df)

In [367]: %timeit using_asfreq()
1000 loops, best of 3: 1.21 ms per loop

In [368]: %timeit using_apply()
1 loops, best of 3: 208 ms per loop

熊猫滚动最后五分钟的总和

1 个答案: