python - 向量化 pandas.DataFrame 的整合

Question

我有一个力-位移数据的 DataFrame。位移数组已设置为 DataFrame 索引，列是我针对不同测试的各种力曲线。

如何计算完成的功(即“曲线下的面积”)？

我看了numpy.trapz这似乎可以满足我的需要，但我认为我可以避免像这样循环遍历每一列:

import numpy as np
import pandas as pd 

forces = pd.read_csv(...)
work_done = {}

for col in forces.columns:
    work_done[col] = np.trapz(forces.loc[col], forces.index))

我希望创建一个新的曲线下区域的 DataFrame 而不是 dict，并认为 DataFrame.apply() 或一些可能合适但不知道从哪里开始寻找的内容。

简而言之:

1. 我可以避免循环吗？
2. 我可以为直接完成的工作创建一个DataFrame吗？

在此先感谢您的帮助。

Answer 1

您可以通过将整个 DataFrame 传递给 np.trapz 来对其进行矢量化并指定 axis= 参数，例如:

import numpy as np
import pandas as pd

# some random input data
gen = np.random.RandomState(0)
x = gen.randn(100, 10)
names = [chr(97 + i) for i in range(10)]
forces = pd.DataFrame(x, columns=names)

# vectorized version
wrk = np.trapz(forces, x=forces.index, axis=0)
work_done = pd.DataFrame(wrk[None, :], columns=forces.columns)

# non-vectorized version for comparison
work_done2 = {}
for col in forces.columns:
    work_done2.update({col:np.trapz(forces.loc[:, col], forces.index)})

这些给出了以下输出:

from pprint import pprint

pprint(work_done.T)
#            0
# a -24.331560
# b -10.347663
# c   4.662212
# d -12.536040
# e -10.276861
# f   3.406740
# g  -3.712674
# h  -9.508454
# i  -1.044931
# j  15.165782

pprint(work_done2)
# {'a': -24.331559643023006,
#  'b': -10.347663159421426,
#  'c': 4.6622123535050459,
#  'd': -12.536039649161403,
#  'e': -10.276861220217308,
#  'f': 3.4067399176289994,
#  'g': -3.7126739591045541,
#  'h': -9.5084536839888187,
#  'i': -1.0449311137294459,
#  'j': 15.165781517623724}

您的原始示例还有其他几个问题。 col 是列名而不是行索引，因此它需要索引数据框的第二个维度(即 .loc[:, col] 而不是 .loc[列])。此外，您在最后一行有一个额外的尾随括号。

---

编辑:

您可以还可以通过.apply 直接生成输出DataFrame将 np.trapz 添加到每一列，例如:

work_done = forces.apply(np.trapz, axis=0, args=(forces.index,))

但是，这并不是真正的“正确”矢量化 - 您仍然在每一列上分别调用 np.trapz。您可以通过比较 .apply 版本与直接调用 np.trapz 的速度来看到这一点:

In [1]: %timeit forces.apply(np.trapz, axis=0, args=(forces.index,))
1000 loops, best of 3: 582 µs per loop

In [2]: %timeit np.trapz(forces, x=forces.index, axis=0)
The slowest run took 6.04 times longer than the fastest. This could mean that an
intermediate result is being cached 
10000 loops, best of 3: 53.4 µs per loop

这不是一个完全公平的比较，因为第二个版本排除了从输出 numpy 数组构造 DataFrame 所花费的额外时间，但这应该仍然小于所花费时间的差异执行实际集成。