python - 如何找到系列中的异常值，矢量化？

Question

我有一个 pandas.Series 的正数。我需要找到“异常值”的索引，其值与之前的“规范”相差 3 或更多。

如何向量化这个函数:

def baseline(s):
    values = []
    indexes = []
    last_valid = s.iloc[0]
    for idx, val in s.iteritems():
        if abs(val - last_valid) >= 3:
            values.append(val)
            indexes.append(idx)
        else:
            last_valid = val
    return pd.Series(values, index=indexes)

例如，如果输入是:

import pandas as pd
s = pd.Series([7,8,9,10,14,10,10,14,100,14,10])
print baseline(s)

期望的输出是:

4     14
7     14
8    100
9     14

请注意，14 之后的 10 值不会返回，因为它们是“恢复正常”的值。

编辑:

• 在代码中添加了 abs()。这些数字是积极的。
• 这里的目的是加速代码。
• 不完全模仿代码的答案可能可以接受。
• 更改示例以包含另一个边缘情况，其中值缓慢变化 3。

Answer 1

这是我最初的“矢量化”解决方案:

您可以使用 shift 获取 last_valid和 numpy 的 where :

In [1]: s = pd.Series([10, 10, 10, 14, 10, 10, 10, 14, 100, 14, 10])

In [2]: last_valid = pd.Series(np.where((s - s.shift()).abs() < 3, s, np.nan))
        last_valid.iloc[0] = s.iloc[0]  # initialize with first value of s
        last_valid.ffill(inplace=True)

In [3]: last_valid
Out[3]:
0      7
1      8
2      9
3     10
4     10
5     10
6     10
7     10
8     10
9     10
10    10
dtype: float64

这样问题就简单多了。您可以将其与 s 进行比较:

In [4]: s - last_valid  # alternatively use (s - last_valid).abs()
Out[4]: 
0      0
1      0
2      0
3      0
4      4
5      0
6      0
7      4
8     90
9      4
10     0
dtype: float64

那些相差超过 +3 的元素:

In [5]: (s - last_valid).abs() >= 3
Out[5]: 
0     False
1     False
2     False
3     False
4      True
5     False
6     False
7      True
8      True
9      True
10    False
dtype: bool

In [6]: s[(s - last_valid).abs() >= 3]
Out[6]: 
4     14
7     14
8    100
9     14
dtype: int64

根据需要。 ...或者看起来，@alko 的示例表明这不太正确。

更新

正如@alko 所指出的，下面的矢量化方法不太正确，特别是对于示例 s = pd.Series([10, 14, 11, 10, 10, 12, 14, 100, 100 , 14, 10])，我的“矢量化”方法将第二个 100 作为“非异常值”，即使它处于基线。

这让我(和@alko)认为这不能被矢量化。作为替代方案，我包含了一个简单的 cython 实现(参见 cython section of pandas docs)，它比原生 python 快得多:

%%cython
cimport numpy as np
import numpy as np
cimport cython
@cython.wraparound(False)
@cython.boundscheck(False)
cpdef _outliers(np.ndarray[double] s):
    cdef np.ndarray[Py_ssize_t] indexes
    cdef np.ndarray[double] vals
    cdef double last, val
    cdef Py_ssize_t count
    indexes = np.empty(len(s), dtype='int')
    vals = np.empty(len(s))
    last = s[0]
    count = 0
    for idx, val in enumerate(s):
        if abs(val - last) >= 3:
            indexes[count] = idx
            vals[count] = val
            count += 1
        else:
            last = val
    return vals[:count], indexes[:count]

def outliers(s):
    return pd.Series(*_outliers(s.values.astype('float')))

一些时间指示:

In [11]: s = pd.Series([10,10,12,14,100,100,14,10])

In [12]: %timeit baseline(s)
10000 loops, best of 3: 132 µs per loop

In [13]: %timeit outliers(s)
10000 loops, best of 3: 46.8 µs per loop

In [21]: s = pd.Series(np.random.randint(0, 100, 100000))

In [22]: %timeit baseline(s)
10 loops, best of 3: 161 ms per loop

In [23]: %timeit outliers(s)
100 loops, best of 3: 9.43 ms per loop

有关更多信息，请参阅 cython (enhancing performance) section Pandas 文档。