[英]Pandas rolling_max with variable window size specified in a df column
我想計算一個pandas列的rolling_max,其中窗口大小不同,是當前行索引與滿足某個條件的行之間的差異。
所以,作為一個例子,我有:
df = pd.DataFrame({'a': [0,1,0,0,0,1,0,0,0,0,1,0],
'b': [5,4,3,6,1,2,3,4,2,1,7,8]})
我想要一個df.b的rolling_max,因為前一次df.a == 1。 即我想得到這個:
a b rm
0 0 5 NaN <- no previous a==1
1 1 4 4 <- a==1
2 0 3 4
3 0 6 6
4 0 1 6
5 1 2 2 <- a==1
6 0 3 3
7 0 4 4
8 0 2 4
9 0 1 4
10 1 7 7 <- a==1
11 0 8 8
我的df有一個沒有間隙的整數索引,所以我試着這樣做:
df['last_a'] = np.where(df.a == 1, df.index, np.nan)
df['last_a'].fillna(method='ffill', inplace=True)
df['rm'] = pd.rolling_max(df['b'], window = df.index - df['last_a'] + 1)
但我得到一個TypeError:需要一個整數。
這是在相當大的數據框架上運行的長腳本的一部分,因此我需要盡可能快的解決方案。 我已成功嘗試使用循環而不是rolling_max來執行此操作,但它非常慢。 能否請你幫忙?
僅供參考。 我現在擁有的丑陋和長循環,無論它的丑陋,在我的數據框架上看起來相當快(測試時為50,000 x 25),如下所示:
df['rm2'] = df.b
df['rm1'] = np.where( (df['a'] == 1) | (df['rm2'].diff() > 0), df['rm2'], np.nan)
df['rm1'].fillna(method = 'ffill', inplace = True)
df['Dif'] = (df['rm1'] - df['rm2']).abs()
while df['Dif'].sum() != 0:
df['rm2'] = df['rm1']
df['rm1'] = np.where( (df['a'] == 1) | (df['rm2'].diff() > 0), df['rm2'], np.nan)
df['rm1'].fillna(method = 'ffill', inplace = True)
df['Dif'] = (df['rm1'] - df['rm2']).abs()
我會創建一個索引和groupby
這個索引使用cummax
:
import numpy as np
df['index'] = df['a'].cumsum()
df['rm'] = df.groupby('index')['b'].cummax()
df.loc[df['index']==0, 'rm'] = np.nan
In [104]: df
Out[104]:
a b index rm
0 0 5 0 NaN
1 1 4 1 4
2 0 3 1 4
3 0 6 1 6
4 0 1 1 6
5 1 2 2 2
6 0 3 2 3
7 0 4 2 4
8 0 2 2 4
9 0 1 2 4
10 1 7 3 7
11 0 8 3 8
實際上,只要您需要重構涉及列和表之間關系的數據,請考慮使用關系數據庫管理系統(RDMS)的SQL解決方案。 如果您的數據來自數據庫,請特別注意。 讓Pandas進行數據分析。 當然,如果您要存儲的數據不在數據庫中,那么這就是另一個問題!
Python為SQLite提供了一個內置庫,這是一個流行的免費開源文件級數據庫。 此外,可以安裝MySQL,SQL Server,PostgreSQL,Oracle和其他RDMS的Python庫。 您可以將每個連接無縫集成到pandas中 。 以下是三個等效版本的查詢,以實現條件組最大值。 每個假定您在源表中維護一個自動編號主鍵索引ID
,此處稱為RollingMax
。
import sqlite3 as lite
import pandas as pd
con = lite.connect('C:\\Path\\SQLite\\DB.db')
# SQL WITH DERIVED TABLES
sql = """SELECT a, b,
(SELECT Max(dtbl2.B)
FROM
(SELECT t1.ID, t1.a, t1.b,
(SELECT Count(*) FROM RollingMax t2
WHERE t1.ID >= t2.ID AND t2.A > 0) As GrpA
FROM RollingMax t1) dtbl2
WHERE dtbl1.ID >= dtbl2.ID
AND dtbl1.GrpA = dtbl2.GrpA) As rm
FROM
(
SELECT t1.ID, t1.a, t1.b,
(SELECT Count(*) FROM RollingMax t2
WHERE t1.ID >= t2.ID AND t2.A > 0) As GrpA
FROM RollingMax t1
) As dtbl1;"""
# SQL USING CTE WINDOW FUNCTION (AVAILABLE AS OF VERSION 3.8.3)
sql = """WITH grp (ID, a, b, GrpA)
AS (
SELECT t1.ID, t1.a, t1.b,
(SELECT Count(*) FROM RollingMax t2
WHERE t1.ID >= t2.ID AND t2.A > 0) As GrpA
FROM RollingMax t1
)
SELECT a, b,
(SELECT Max(dtbl2.B)
FROM grp AS dtbl2
WHERE dtbl1.ID >= dtbl2.ID
AND dtbl1.GrpA = dtbl2.GrpA) As rm
FROM grp AS dtbl1;"""
# SQL USING SAVED VIEW
'''To be saved inside database'''
saved_view = """SELECT t1.ID, t1.a, t1.b,
(SELECT Count(*) FROM RollingMax t2
WHERE t1.ID >= t2.ID AND t2.A > 0) As GrpA
FROM RollingMax t1;"""
sql = """SELECT a, b,
(SELECT Max(dtbl2.B)
FROM saved_view AS dtbl2
WHERE dtbl1.ID >= dtbl2.ID
AND dtbl1.GrpA = dtbl2.GrpA) As rm
FROM saved_view As dtbl1;"""
df = pd.read_sql(sql, conn)
OUTPUT (這里唯一的挑戰是沒有前面的== 1的第一個分組)
a b rm
0 5 5
1 4 4
0 3 4
0 6 6
0 1 6
1 2 2
0 3 3
0 4 4
0 2 4
0 1 4
1 7 7
0 8 8
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.