簡體   English   中英

帶有滾動窗口的Python Pandas drop_duplicates

[英]Python pandas drop_duplicates with rolling window

我有一個帶有日期時間索引和3列(a,b,c)的熊貓數據框(約500,000行):

                           a       b        c
2016-03-30 09:59:36.619    0       55       0
2016-03-30 09:59:41.979    0       20       0
2016-03-30 09:59:41.986    0       1        0
2016-03-30 09:59:45.853    0       1        3
2016-03-30 09:59:51.265    0       20       9
2016-03-30 10:00:03.273    0       55       26
2016-03-30 10:00:05.658    0       55       28
2016-03-30 10:00:17.416    0       156      0
2016-03-30 10:00:17.928    0       122      1073
2016-03-30 10:00:21.933    0       122      0
2016-03-30 10:00:31.937    0       122      10
2016-03-30 10:00:40.941    0       122      0
2016-03-30 10:00:51.147    10      2        0
2016-03-30 10:01:27.060    0       156      0

我想在10分鍾的滾動窗口中進行搜索,並從其中一列(b列)中刪除重復項,以獲得如下信息:

                           a       b        c
2016-03-30 09:59:36.619    0       55       0
2016-03-30 09:59:41.979    0       20       0
2016-03-30 09:59:41.986    0       1        0
2016-03-30 09:59:51.265    0       20       9
2016-03-30 10:00:03.273    0       55       26
2016-03-30 10:00:17.416    0       156      0
2016-03-30 10:00:17.928    0       122      1073
2016-03-30 10:00:51.147    10      2        0
2016-03-30 10:01:27.060    0       156      0

drop_duplicates了將drop_duplicatesrolling_apply一起使用,但是這兩個函數不能很好地配合使用,即:

pd.rolling_apply(df, '10T', lambda x:x.drop_duplicates(subset='b'))

引發錯誤,因為該函數必須返回一個值,而不是df。 所以這就是我到目前為止:

import datetime as dt
windows = []
for ind in range(len(df)):
    t0 = df.index[ind]
    t1 = df.index[ind]+dt.timedelta(minutes=10)

    windows.append(df[numpy.logical_and(t0<df.index,\
    df.index<=t1)].drop_duplicates(subset='b'))

在這里,我最后列出了一個10分鍾的數據幀,其中刪除了重復項,但是隨着窗口滾動到下一個10分鍾的段,有很多重疊的值。 為了保持唯一的值,我嘗試了類似的方法:

new_df = []
for ind in range(len(windows)-1):
    new_df.append(pd.unique(pd.concat([pd.Series(windows[ind].index),\
    pd.Series(windows[ind+1].index)])))

但這是行不通的,並且已經開始變得混亂。 有誰有聰明的主意如何盡可能有效地解決這個問題?

提前致謝。

我希望這是有用的。 我滾動了一個函數,該函數檢查最后一個值是否在10分鍾的窗口內是先前元素的重復項。 結果可以與布爾索引一起使用。

# Simple example
dates = pd.date_range('2017-01-01', periods = 5, freq = '4min')
col1 = [1, 2, 1, 3, 2]
df = pd.DataFrame({'col1':col1}, index = dates)

# Make function that checks if last element is a duplicate
def last_is_duplicate(a):
    if len(a) > 1:
        return a[-1] in a[:len(a)-1]
    else: 
        return False    

# Roll over 10 minute window to find duplicates of recent elements
dup = df.col1.rolling('10T').apply(last_is_duplicate).astype('bool')

# Keep only those rows for which col1 is not a recent duplicate
df[~dup]

暫無
暫無

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.

 
粵ICP備18138465號  © 2020-2024 STACKOOM.COM