12

考虑到您有一些不均匀的时间序列数据:

import pandas as pd
import random as randy
ts = pd.Series(range(1000),index=randy.sample(pd.date_range('2013-02-01 09:00:00.000000',periods=1e6,freq='U'),1000)).sort_index()
print ts.head()


2013-02-01 09:00:00.002895    995
2013-02-01 09:00:00.003765    499
2013-02-01 09:00:00.003838    797
2013-02-01 09:00:00.004727    295
2013-02-01 09:00:00.006287    253

假设我想在 1ms 窗口内进行滚动求和来得到这个:

2013-02-01 09:00:00.002895    995
2013-02-01 09:00:00.003765    499 + 995
2013-02-01 09:00:00.003838    797 + 499 + 995
2013-02-01 09:00:00.004727    295 + 797 + 499
2013-02-01 09:00:00.006287    253

目前,我将所有内容都转换为 longs 并在 cython 中执行此操作,但这在纯熊猫中是否可行?我知道您可以执行类似 .asfreq('U') 之类的操作,然后填充并使用传统功能,但是一旦您获得的行数超过玩具 #,这将无法扩展。

作为参考,这里有一个 hackish,不是快速的 Cython 版本:

%%cython
import numpy as np
cimport cython
cimport numpy as np

ctypedef np.double_t DTYPE_t

def rolling_sum_cython(np.ndarray[long,ndim=1] times, np.ndarray[double,ndim=1] to_add, long window_size):
    cdef long t_len = times.shape[0], s_len = to_add.shape[0], i =0, win_size = window_size, t_diff, j, window_start
    cdef np.ndarray[DTYPE_t, ndim=1] res = np.zeros(t_len, dtype=np.double)
    assert(t_len==s_len)
    for i in range(0,t_len):
        window_start = times[i] - win_size
        j = i
        while times[j]>= window_start and j>=0:
            res[i] += to_add[j]
            j-=1
    return res   

在一个稍大的系列中证明这一点:

ts = pd.Series(range(100000),index=randy.sample(pd.date_range('2013-02-01 09:00:00.000000',periods=1e8,freq='U'),100000)).sort_index()

%%timeit
res2 = rolling_sum_cython(ts.index.astype(int64),ts.values.astype(double),long(1e6))
1000 loops, best of 3: 1.56 ms per loop
4

4 回答 4

11

您可以使用 cumsum 和二进制搜索来解决大多数此类问题。

from datetime import timedelta

def msum(s, lag_in_ms):
    lag = s.index - timedelta(milliseconds=lag_in_ms)
    inds = np.searchsorted(s.index.astype(np.int64), lag.astype(np.int64))
    cs = s.cumsum()
    return pd.Series(cs.values - cs[inds].values + s[inds].values, index=s.index)

res = msum(ts, 100)
print pd.DataFrame({'a': ts, 'a_msum_100': res})


                            a  a_msum_100
2013-02-01 09:00:00.073479  5           5
2013-02-01 09:00:00.083717  8          13
2013-02-01 09:00:00.162707  1          14
2013-02-01 09:00:00.171809  6          20
2013-02-01 09:00:00.240111  7          14
2013-02-01 09:00:00.258455  0          14
2013-02-01 09:00:00.336564  2           9
2013-02-01 09:00:00.536416  3           3
2013-02-01 09:00:00.632439  4           7
2013-02-01 09:00:00.789746  9           9

[10 rows x 2 columns]

您需要一种处理 NaN 的方法,并且根据您的应用程序,您可能需要滞后时间的现行值(即使用 kdb+ bin 与 np.searchsorted 之间的差异)。

希望这可以帮助。

于 2014-05-14T15:31:30.667 回答
9

这是一个老问题,但对于那些从谷歌偶然发现的人:在 pandas 0.19 中,这是内置的函数

http://pandas.pydata.org/pandas-docs/stable/computation.html#time-aware-rolling

所以要获得 1 毫秒的窗口,看起来你通过做得到一个滚动对象

dft.rolling('1ms')

总和是

dft.rolling('1ms').sum()
于 2016-12-16T02:49:41.350 回答
1

也许使用更有意义rolling_sum

pd.rolling_sum(ts, window=1, freq='1ms')
于 2013-01-31T18:02:15.753 回答
0

像这样的东西怎么样:

创建 1 ms 的偏移量:

In [1]: ms = tseries.offsets.Milli()

创建一系列与时间序列长度相同的索引位置:

In [2]: s = Series(range(len(ts)))

应用从 ts 系列索引当前时间的 lambda 函数。该函数返回 之间的所有 ts 条目的总和x - ms and x

In [3]: s.apply(lambda x: ts.between_time(start_time=ts.index[x]-ms, end_time=ts.index[x]).sum())

In [4]: ts.head()
Out[4]:
2013-02-01 09:00:00.000558    348
2013-02-01 09:00:00.000647    361
2013-02-01 09:00:00.000726    312
2013-02-01 09:00:00.001012    550
2013-02-01 09:00:00.002208    758

上述函数的结果:

0     348
1     709
2    1021
3    1571
4     758
于 2013-02-01T01:53:05.213 回答