Question

我正在尝试在pandas中对for循环进行矢量化以提高性能。我有一个数据集，包括用户，产品，每项服务的日期以及提供的天数。鉴于以下数据子集：

testdf = pd.DataFrame(data={"USERID": ["A"] * 6,
                            "PRODUCTID": [1] * 6,
                            "SERVICEDATE": [datetime(2016, 1, 1), datetime(
                                2016, 2, 5),
                             datetime(2016, 2, 28), datetime(2016, 3, 25),
                             datetime(2016, 4, 30), datetime(2016, 5, 30)],
                            "DAYSSUPPLY": [30] * 6})

testdf=testdf.set_index(["USERID", "PRODUCTID"])
testdf["datediff"] = testdf["SERVICEDATE"].diff()
testdf.loc[testdf["datediff"].notnull(), "datediff"] = testdf.loc[
    testdf["datediff"].notnull(), "datediff"].apply(lambda x: x.days)
testdf["datediff"] = testdf["datediff"].fillna(0)
testdf["datediff"] = pd.to_numeric(testdf["datediff"])
testdf["over_under"] = testdf["DAYSSUPPLY"].shift() - testdf["datediff"]

我想得到以下结果：

                  DAYSSUPPLY SERVICEDATE  datediff  over_under  desired
USERID PRODUCTID                                                       
A      1                  30  2016-01-01         0         NaN        0
       1                  30  2016-02-05        35        -5.0        0
       1                  30  2016-02-28        23         7.0        7
       1                  30  2016-03-25        26         4.0       11
       1                  30  2016-04-30        36        -6.0        5
       1                  30  2016-05-30        30         0.0        5

基本上，我希望我想要的列是over_under的运行总和，但是如果前一行中所需的值是＆gt;则只对负值求和。 0.期望永远不要低于0. [用户，产品]组的快速和脏循环看起来像这样：

running_total = 0
desired_loop = []
for row in testdf.itertuples():
    over_under=row[4]
    # skip first row
    if pd.isnull(over_under):
        desired_loop.append(0)
        continue
    running_total += over_under
    running_total = max(running_total, 0)
    desired_loop.append(running_total)
testdf["desired_loop"] = desired_loop

                  desired_loop
USERID PRODUCTID              
A      1                   0.0
       1                   0.0
       1                   7.0
       1                  11.0
       1                   5.0
       1                   5.0

我仍然是矢量化和熊猫和一般的新手。我已经能够在这个df中对每个其他计算进行矢量化，但这个累积和的特殊情况我只是无法弄清楚如何去做。

谢谢！

Answer 1

我遇到了类似的问题，并使用了一些非传统的迭代来解决它。

testdf["desired"] = testdf["over_under"].cumsum()
current = np.argmax( testdf["desired"] < 0 )
while current != 0:
    testdf.loc[current:,"desired"] += testdf["desired"][current] # adjust the cumsum going forward
    # the previous statement also implicitly sets
    # testdf.loc[current, "desired"] = 0
    current = np.argmax( testdf["desired"][current:] < 0 )

从本质上讲，你会发现所有的“事件”，并随着时间的推移重新调整正在运行的cumsum。所有的操作和测试操作都是矢量化的，因此，如果您的desired列不会过于频繁地消极，那么您应该非常快。

这绝对是一个黑客，但它完成了我的工作。

熊猫：条件累积和的矢量化

1 个答案: