python - 向量化前瞻性函数 pandas 数据框

Question

我想在 pandas 中对 DataFrame(可以被认为是一个系列)进行“奇怪”的计算。 DataFrame 必须被视为时间序列或类似的(元素的顺序很重要)。

• 给定索引[i] (value[i]) 的值
• 给定一个步骤(例如 1)[整数或实数]
• 给定一个乘数 rr(例如 2)[整数或实数]

向前看元素 [i:] 并为值 [i] 分配一个“类别”:

• 如果随后的值达到 value[i] + step * rr before 达到 value[i] - step 的水平，则 +1
• -1 如果随后的值达到 value[i] 的水平 - step * rr before reaching value[i] + step
• 在其他情况下为 0(即当后续值触及值 [i] - 步骤然后值[i] + 步骤或反之亦然。

我知道这听起来很疯狂。想象一下 +1/-1 步的随机行走。像这样的序列:

• 0, 1, 2 会被分配到类+1(也可以是0, 1, 0, 0, 1, 1, 0, 1, 1, 2)
• 0,-1,-2会被分配到类-1(也可以是0,-1,0,0,0,-1,-1,-1,-2)
• 0、+1、0、-1 或 0、-1、0、0、-1、0、1 等将是 0 类。

我通过定义一个函数以“经典”(也许不是那么 pythonic)的方式解决了这个问题:

import numpy as np
import pandas as pd

def FindClass(inarr, i=0, step=0.001, rr=2):
    j = 0
    foundClass = None
    while i+j < len(inarr) - 1:
        j += 1
        if inarr[i+j] >= inarr[i] + step:
            direction = 1
            break
        if inarr[i+j] <= inarr[i] - step:
            direction = -1
            break

    while i+j < len(inarr)-1:
        j += 1
        if direction == 1 and inarr[i+j] >= inarr[i] + (step * rr):
            foundClass = 1
            break
        elif direction == 1 and inarr[i+j] <= inarr[i] - step:
            foundClass = 0
            break
        elif direction == -1 and inarr[i+j] <= inarr[i] - (step * rr):
            foundClass = -1
            break
        elif direction == -1 and inarr[i+j] >= inarr[i] + step:
            foundClass = 0
            break
    if foundClass is None:
        foundClass = np.nan

    return foundClass

然后遍历它:

if __name__ == "__main__":
    steps = np.random.randint(-1, 2, size= 10000)

    randomwalk = steps.cumsum(0)
    rc = pd.DataFrame({'rw':randomwalk, 'result': np.nan})

    for c in range(0, len(rc)-1):
        rc.result[c] = FindClass(rc.rw, i=c, step=1)

    print rc

在我的笔记本电脑(并运行 python 2.7)上，我得到了一个对于 10000 个元素的系列来说还算不错的分析:

python -m cProfile -s cumulative fbmk.py
<class 'pandas.core.frame.DataFrame'>
Int64Index: 10000 entries, 0 to 9999
Data columns (total 2 columns):
result    9996  non-null values
rw        10000  non-null values
dtypes: float64(1), int32(1)
         932265 function calls (929764 primitive calls) in 2.643 seconds

   Ordered by: cumulative time

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.106    0.106    2.646    2.646 fbmk.py:1(<module>)
     9999    0.549    0.000    1.226    0.000 fbmk.py:4(FindClass)
   158062    0.222    0.000    0.665    0.000 series.py:616(__getitem__)
        2    0.029    0.014    0.561    0.281 __init__.py:3(<module>)
   158062    0.226    0.000    0.443    0.000 index.py:718(get_value)
    19998    0.070    0.000    0.442    0.000 frame.py:2082(__getattr__)
    19998    0.111    0.000    0.331    0.000 frame.py:1986(__getitem__)

问题是:

有没有人看到以提高性能的方式在 pandas/numpy 中矢量化此函数的可能性？

如果这件事在 R 中可以用更少的努力完成，那也很好!

提前致谢!

Answer 1

根据您的问题的属性，您可以使用 np.where 找到水平交叉的位置并对时间序列进行分类。

这里最大的缺点是 np.where 会为您提供时间序列高于 value[i] + step 等的每个索引，这可能会将线性时间算法转换为二次时间算法。根据您将要处理的问题的大小，我希望您能在预因子中收获很多；您甚至可能会领先于二次时间 numpy 解决方案。

通过四处寻找，与 np.where 等效的“找到第一个索引”仍然是一个请求的功能。