Question

pd.rolling_mean，

似乎已弃用ndarrays

 pd.rolling_mean(x, window=2, center=False)
FutureWarning：对于ndarrays，不推荐使用pd.rolling_mean，将来的版本将删除

但根据this SO answer，这似乎是最快的方法。

现在有没有直接使用SciPy或NumPy执行此操作的新方法，其速度与pd.rolling_mean一样快？

Answer 1

编辑 - 不幸的是，看起来新的方式不是那么快：

新版熊猫：

In [1]: x = np.random.uniform(size=100)

In [2]: %timeit pd.rolling_mean(x, window=2)
1000 loops, best of 3: 240 µs per loop

In [3]: %timeit pd.Series(x).rolling(window=2).mean()
1000 loops, best of 3: 226 µs per loop

In [4]: pd.__version__
Out[4]: '0.18.0'

旧版本：

In [1]: x = np.random.uniform(size=100)

In [2]: %timeit pd.rolling_mean(x,window=2)
100000 loops, best of 3: 12.4 µs per loop

In [3]: pd.__version__
Out[3]: u'0.17.1'

Answer 2

看起来新的方法是通过DataFrame.rolling课程上的方法（我想你的意思是把它想象成groupby）： http://pandas.pydata.org/pandas-docs/version/0.18.0/whatsnew.html

e.g。

x.rolling(window=2).mean()

Answer 3

试试这个

x.rolling(window=2, center=False).mean()

Answer 4

我建议scipy.ndimage.filters.uniform_filter1d就像我answer中的链接问题一样。对于大型阵列来说，它也更快：

import numpy as np
from scipy.ndimage.filters import uniform_filter1d
N = 1000
x = np.random.random(100000)

%timeit pd.rolling_mean(x, window=N)
__main__:257: FutureWarning: pd.rolling_mean is deprecated for ndarrays and will be removed in a future version
The slowest run took 84.55 times longer than the fastest. This could mean that an intermediate result is being cached.
1 loop, best of 3: 7.37 ms per loop

%timeit uniform_filter1d(x, size=N)
10000 loops, best of 3: 190 µs per loop

Answer 5

如果您的尺寸是同质的，您可以尝试实现用于二维图像的Summed Area Table的n维形式：

求和区域表是一种数据结构和算法，用于快速有效地生成网格矩形子集中的值之和。

然后，按此顺序，您可以：

创建数组的求和区域表（“整数”）;
迭代获得给定位置的n维内核的（非常便宜）总和;
除以内核的n维体积的大小。

不幸的是，我不知道这是否有效，但在给定的前提下，它应该是。

pd.rolling_mean被弃用 - ndarrays的替代品

5 个答案: