熊猫适用于滚动多列输出
Posted
技术标签:
【中文标题】熊猫适用于滚动多列输出【英文标题】：Pandas apply on rolling with multi-column output 【发布时间】：2020-10-24 05:54:14 【问题描述】：我正在编写将滚动窗口应用于返回多列的函数的代码。
输入：熊猫系列 预期输出：3 列 DataFrame
def fun1(series, ):
# Some calculations producing numbers a, b and c
return "a": a, "b": b, "c": c
res.rolling('21 D').apply(fun1)
资源内容：
time
2019-09-26 16:00:00 0.674969
2019-09-26 16:15:00 0.249569
2019-09-26 16:30:00 -0.529949
2019-09-26 16:45:00 -0.247077
2019-09-26 17:00:00 0.390827
...
2019-10-17 22:45:00 0.232998
2019-10-17 23:00:00 0.590827
2019-10-17 23:15:00 0.768991
2019-10-17 23:30:00 0.142661
2019-10-17 23:45:00 -0.555284
Length: 1830, dtype: float64
错误：
TypeError: must be real number, not dict
我尝试过的：
在应用中更改 raw=True 在应用中使用 lambda 函数 以列表/numpy 数组/数据帧/系列的形式在 fun1 中返回结果。我也浏览过很多关于 SO 的相关帖子，仅举几例：
Pandas - Using `.rolling()` on multiple columns Returning two values from pandas.rolling_apply How to apply a function to two columns of Pandas dataframe Apply pandas function to column to create multiple new columns?但是指定的解决方案都没有解决这个问题。
有没有直接的解决方案？
【问题讨论】：
【参考方案1】：这是一个使用rolling 的hacky答案，生成一个DataFrame：
import pandas as pd
import numpy as np
dr = pd.date_range('09-26-2019', '10-17-2019', freq='15T')
data = np.random.rand(len(dr))
s = pd.Series(data, index=dr)
output = pd.DataFrame(columns=['a','b','c'])
row = 0
def compute(window, df):
global row
a = window.max()
b = window.min()
c = a - b
df.loc[row,['a','b','c']] = [a,b,c]
row+=1
return 1
s.rolling('1D').apply(compute,kwargs='df':output)
output.index = s.index
似乎rolling apply 函数总是期望返回一个数字，以便根据计算立即生成一个新系列。
我通过创建一个新的output DataFrame（带有所需的输出列）并在函数中写入它来解决这个问题。我不确定是否有办法在滚动对象中获取索引，所以我改为使用global 来增加写入新行的计数。不过，鉴于上述观点，您需要return 一些数字。所以虽然实际上rolling操作返回了一系列1，但output被修改了：
In[0]:
s
Out[0]:
2019-09-26 00:00:00 0.106208
2019-09-26 00:15:00 0.979709
2019-09-26 00:30:00 0.748573
2019-09-26 00:45:00 0.702593
2019-09-26 01:00:00 0.617028
2019-10-16 23:00:00 0.742230
2019-10-16 23:15:00 0.729797
2019-10-16 23:30:00 0.094662
2019-10-16 23:45:00 0.967469
2019-10-17 00:00:00 0.455361
Freq: 15T, Length: 2017, dtype: float64
In[1]:
output
Out[1]:
a b c
2019-09-26 00:00:00 0.106208 0.106208 0.000000
2019-09-26 00:15:00 0.979709 0.106208 0.873501
2019-09-26 00:30:00 0.979709 0.106208 0.873501
2019-09-26 00:45:00 0.979709 0.106208 0.873501
2019-09-26 01:00:00 0.979709 0.106208 0.873501
... ... ...
2019-10-16 23:00:00 0.980544 0.022601 0.957943
2019-10-16 23:15:00 0.980544 0.022601 0.957943
2019-10-16 23:30:00 0.980544 0.022601 0.957943
2019-10-16 23:45:00 0.980544 0.022601 0.957943
2019-10-17 00:00:00 0.980544 0.022601 0.957943
[2017 rows x 3 columns]
这感觉更像是对rolling 的利用，而不是预期用途，所以我很想看到一个更优雅的答案。
更新：感谢@JuanPi，您可以使用this answer 获取滚动窗口索引。因此，非globalanswer 可能如下所示：
def compute(window, df):
a = window.max()
b = window.min()
c = a - b
df.loc[window.index.max(),['a','b','c']] = [a,b,c]
return 1
【讨论】：
你可以使用这个答案***.com/a/60918101中的技巧来获取当前窗口的索引 @JuanPi 谢谢分享，正想问这个！我更新了我的答案以包括这个 不是那么 hacky，您基本上是在利用 pandas 滚动功能作为窗口生成器。您没有得到的是具有通常滚动窗口的领先 NaN，但如果需要，可以预先添加它们。【参考方案2】：这个 hack 似乎对我有用，尽管滚动的附加功能不能应用于这个解决方案。但是，由于多处理，应用程序的速度明显更快。
from multiprocessing import Pool
import functools
def apply_fn(indices, fn, df):
return fn(df.loc[indices])
def rolling_apply(df, fn, window_size, start=None, end=None):
"""
The rolling application of a function fn on a DataFrame df given the window_size
"""
x = df.index
if start is not None:
x = x[x >= start]
if end is not None:
x = x[x <= end]
if type(window_size) == str:
delta = pd.Timedelta(window_size)
index_sets = [x[(x > (i - delta)) & (x <= i)] for i in x]
else:
assert type(window_size) == int, "Window size should be str (representing Timedelta) or int"
delta = window_size
index_sets = [x[(x > (i - delta)) & (x <= i)] for i in x]
with Pool() as pool:
result = list(pool.map(functools.partial(apply_fn, fn=fn, df=df), index_sets))
result = pd.DataFrame(data=result, index=x)
return result
具备上述功能后，插入功能以滚动到自定义rolling_function。
result = rolling_apply(res, fun1, "21 D")
结果内容：
a b c
time
2019-09-26 16:00:00 NaN NaN NaN
2019-09-26 16:15:00 0.500000 0.106350 0.196394
2019-09-26 16:30:00 0.500000 0.389759 -0.724829
2019-09-26 16:45:00 2.000000 0.141436 -0.529949
2019-09-26 17:00:00 6.010184 0.141436 -0.459231
... ... ... ...
2019-10-17 22:45:00 4.864015 0.204483 -0.761609
2019-10-17 23:00:00 6.607717 0.204647 -0.761421
2019-10-17 23:15:00 7.466364 0.204932 -0.761108
2019-10-17 23:30:00 4.412779 0.204644 -0.760386
2019-10-17 23:45:00 0.998308 0.203039 -0.757979
1830 rows × 3 columns
注意：
此实现适用于 Series 和 DataFrame 输入 此实现适用于时间和整数窗口 fun1 返回的结果甚至可以是列表、numpy 数组、系列或字典window_size 仅考虑最大窗口大小，因此所有低于window_size 的起始索引都将使其窗口包含直到起始元素的所有元素。
apply 函数不应嵌套在 rolling_apply 函数中，因为 pool.map 不能接受本地或 lambda 函数，因为根据 multiprocessing 库，它们不能被“腌制”
【讨论】：
以上是关于熊猫适用于滚动多列输出的主要内容，如果未能解决你的问题，请参考以下文章