有效地计算非零值的运行

Question

我正在处理降雨量的时间序列，我想要计算单个降雨事件的长度和体积，其中“事件”是一系列非零时间步长。 我正在处理大约60k时间步的多个时间序列，我目前的方法很慢。

目前我有以下内容：

import numpy as np

def count_events(timeseries):
    start = 0  
    end = 0
    lengths = []
    volumes = []
    # pad a 0 at the edges so as to include edges as "events"
    for i, val in enumerate(np.pad(timeseries, pad_width = 1, mode = 'constant')):

        if val > 0 and start==0:
            start = i
        if val == 0 and start>0:
            end = i

            if end - start != 1:
                volumes.append(np.sum(timeseries[start:end]))
            elif end - start == 1:
                volumes.append(timeseries[start-1])

            lengths.append(end-start)
            start = 0

    return np.asarray(lengths), np.asarray(volumes)

预期产量：

testrain = np.array([1,0,1,0,2,2,8,2,0,0,0.1,0,0,1])
lengths, volumes = count_events(testrain)
print lengths
[1 1 4 1 1]
print volumes
[  1.    1.   12.    0.1   1. ] # 12 should actually be 14, my code returns wrong results.

我想有一个更好的方法来做到这一点，利用numpy的效率，但没有想到......

编辑：

比较不同的解决方案：

testrain = np.random.normal(10,5, 60000)
testrain[testrain<0] = 0 

我的解决方案（产生错误的结果，不完全确定原因）：

%timeit count_events(testrain)
#10 loops, best of 3: 129 ms per loop

@耶的：

%timeit dawg(testrain) # using itertools
#10 loops, best of 3: 113 ms per loop
%timeit dawg2(testrain) # using pure numpy
#10 loops, best of 3: 156 ms per loop

@ DSM的：

%timeit DSM(testrain)
#10 loops, best of 3: 28.4 ms per loop

@ DanielLenz的：

%timeit DanielLenz(testrain)
#10 loops, best of 3: 316 ms per loop

Answer 1

这是一个groupby解决方案：

import numpy as np
from itertools import groupby

testrain = np.array([1,0,1,0,2,2,8,2,0,0,0.1,0,0,1])

lengths=[]
volumes=[]
for k, l in groupby(testrain, key=lambda v: v>0):
    if k:
        li=list(l)
        lengths.append(len(li))
        volumes.append(sum(li))

print lengths     
print volumes

打印

[1, 1, 4, 1, 1]
[1.0, 1.0, 14.0, 0.10000000000000001, 1.0]

如果你想要一些纯粹的numpy：

def find_runs(arr):
    subs=np.split(testrain, np.where(testrain== 0.)[0])
    arrs=[np.delete(sub, np.where(sub==0.)) for sub in subs]
    return [(len(e), sum(e)) for e in arrs if len(e)]

>>> find_runs(testrain)    
[(1, 1.0), (1, 1.0), (4, 14.0), (1, 0.10000000000000001), (1, 1.0)]
>>> length, volume=zip(*find_runs(testrain))

Answer 2

虽然你可以在纯粹的numpy中做到这一点，但你基本上将numpy应用于pandas问题。 你的volume是groupby操作的结果，你可以伪装成numpy，但它是大熊猫的原生。

例如：

>>> tr = pd.Series(testrain)
>>> nonzero = (tr != 0)
>>> group_ids = (nonzero & (nonzero != nonzero.shift())).cumsum()
>>> events = tr[nonzero].groupby(group_ids).agg([sum, len])
>>> events
    sum  len
1   1.0    1
2   1.0    1
3  14.0    4
4   0.1    1
5   1.0    1

Answer 3

这是我的方法，使用scipy.ndimage.measurements labels ：

import numpy as np
from scipy.ndimage.measurements import label

testrain = np.array([1,0,1,0,2,2,8,2,0,0,0.1,0,0,1])
labels, nlabels = label(testrain)
labels
>> array([1, 0, 2, 0, 3, 3, 3, 3, 0, 0, 4, 0, 0, 5], dtype=int32)

def sum_and_length(n):
    obj = np.array(testrain[labels==n])
    return [np.sum(obj), obj.size]

sums, lengths = np.array(map(sum_and_length, range(1, nlabels+1))).T
sums
>> array([  1. ,   1. ,  14. ,   0.1,   1. ])
lenghts
>> array([ 1.,  1.,  4.,  1.,  1.])

这不是最美丽的方法，因为这个问题对于pandas来说是完美的，但它可能会让你看看measurements ，这是一个非常强大的工具集。