Pandas 每年按季节高效分组

Posted

技术标签:

【中文标题】Pandas 每年按季节高效分组【英文标题】:Pandas efficient groupby season for every year 【发布时间】:2014-10-28 03:28:12 【问题描述】:

我有一个多年的时间序列,需要我 95% 的数据所在的界限。 我想按一年中的季节('DJF'、'MAM'、'JJA'、'SON')来查看这个。

我尝试了以下方法:

import pandas as pd
import numpy as np
FRAC_2_TAIL = 0.025
yr_idx = pd.date_range(start='2005-01-30', 
                       end='2008-02-02', freq='D')
data = np.random.rand(len(yr_idx))
df = pd.DataFrame(index=yr_idx, data=data, columns=['a'])
month_num_to_season =    1:'DJF',  2:'DJF', 
                          3:'MAM',  4:'MAM',  5:'MAM', 
                          6:'JJA',  7:'JJA',  8:'JJA',
                          9:'SON', 10:'SON', 11:'SON',
                         12:'DJF'
grouped =  df.groupby(lambda x: month_num_to_season.get(x.month))                      
low_bounds = grouped.quantile(FRAC_2_TAIL)
high_bounds = grouped.quantile(1 - FRAC_2_TAIL) 

它在给予的意义上起作用:

DJF   0.021284
JJA   0.024769
MAM   0.030149
SON   0.041784

但我的每分钟频率、十年之久的数据集需要很长时间。

我可以使用TimeGrouper 来获得几乎我想要的东西:

gp_time = df.groupby(pd.TimeGrouper('QS-DEC'))
low_bounds = gp_time.agg(lambda x: x.quantile(FRAC_2_TAIL)) 

但我们每年都有单独的输出(多年来没有明显的方法来组合分位数限制)。

2004-12-01  0.036755
2005-03-01  0.034271
         ...
2007-09-01  0.098833
2007-12-01  0.068948

我还尝试制作freq='QS-DEC' 时间序列“DJF”、“MAM”等以最小化字典查找,然后上采样到df.index.freq 并对其进行分组。它既慢又占用内存。

我好像遗漏了一些明显的东西。

编辑

根据@JohnE 的评论

需要时间的是 groupby 中的 dict 查找。使用 5 年的详细数据:

%%timeit
grouped =  df.groupby(lambda x: month_num_to_season.get(x.month)) 
> 13.3 s per loop

分位数计算速度很快:

%%timeit
low_bounds = grouped.quantile(FRAC_2_TAIL)
> 2.94 ms per loop

添加季节列并对其进行分组在总体时间上是相似的。再次由dict 查找`主导:

SEAS = 'season'
%%timeit
df[SEAS] = [month_num_to_season.get(t_stamp.month) for t_stamp in df.index]
> 13.1 s per loop

%%timeit
gp_on_col = df.groupby(SEAS)
> 10000 loops, best of 3: 62.7 µs per loop

%%timeit
gp_on_col.quantile(FRAC_2_TAIL)
> 753 ms per loop

我重新实现了制作季度数据框的方法,以最小化 dict 查找然后对其进行上采样。这种方法现在看起来像是一个实质性的改进:我不知道我以前是怎么让它变得这么慢的:

SEASON_HALO = pd.datetools.relativedelta(months=4)
start_with_halo = df.index.min() - SEASON_HALO
end_with_halo = df.index.max() + SEASON_HALO
> 84.1 µs per loop

seasonal_idx = pd.DatetimeIndex(start=start_with_halo, end=end_with_halo, freq='QS-DEC')
seasonal_ts = pd.DataFrame(index=seasonal_idx)
> 440 µs per loop

seasonal_ts[SEAS] = [month_num_to_season.get(t_stamp.month) for t_stamp in seasonal_ts.index]
> 1.25 s per loop

seasonal_minutely_ts = seasonal_ts.resample(df.index.freq, fill_method='ffill')
> 5.12 ms per loop

df_via_resample = df.join(seasonal_minutely_ts)
> 47 ms per loop

gp_up_sample = df_via_resample.groupby(SEAS)
> 63.4 µs per loop

gp_up_sample.quantile(FRAC_2_TAIL)
> 834 ms per loop

这相当于 2 秒与其他方法的 13 秒。

【问题讨论】:

到底是哪一部分慢? low_bounds 和 high_bounds 计算?只是一个猜测,但也许在 groupby 之外创建季节变量会有所帮助。 问题现在似乎太长了。也许我应该通过对季节的上采样来改变最后一部分来回答。 【参考方案1】:

如果有帮助,我建议替换以下您认为很慢的列表理解和字典查找:

month_to_season_dct = 
    1: 'DJF', 2: 'DJF',
    3: 'MAM', 4: 'MAM', 5: 'MAM',
    6: 'JJA', 7: 'JJA', 8: 'JJA',
    9: 'SON', 10: 'SON', 11: 'SON',
    12: 'DJF'

grp_ary = [month_to_season_dct.get(t_stamp.month) for t_stamp in df.index]

如下,它使用一个 numpy 数组作为查找表。

month_to_season_lu = np.array([
    None,
    'DJF', 'DJF',
    'MAM', 'MAM', 'MAM',
    'JJA', 'JJA', 'JJA',
    'SON', 'SON', 'SON',
    'DJF'
])
grp_ary = month_to_season_lu[df.index.month]

以下是这两种方法在大约 3 年的分钟数据上的时间比较:

In [16]: timeit [month_to_season_dct.get(t_stamp.month) for t_stamp in df.index]
1 loops, best of 3: 12.3 s per loop

In [17]: timeit month_to_season_lu[df.index.month]
1 loops, best of 3: 549 ms per loop

【讨论】:

【参考方案2】:

迄今为止最快的方法是结合创建用于进行季节查找的低频时间序列和@Garrett 使用numpy.array 索引查找而不是dict 的方法。

season_lookup = np.array([
    None,
    'DJF', 'DJF',
    'MAM', 'MAM', 'MAM',
    'JJA', 'JJA', 'JJA',
    'SON', 'SON', 'SON',
    'DJF'])
SEASON_HALO = pd.datetools.relativedelta(months=4)
start_with_halo = df.index.min() - SEASON_HALO
end_with_halo = df.index.max() + SEASON_HALO
seasonal_idx = pd.DatetimeIndex(start=start_with_halo, end=end_with_halo, freq='QS-DEC')
seasonal_ts = pd.DataFrame(index=seasonal_idx)
seasonal_ts[SEAS] = season_lookup[seasonal_ts.index.month]
seasonal_minutely_ts = seasonal_ts.resample(df.index.freq, fill_method='ffill')
df_via_resample = df.join(seasonal_minutely_ts)
gp_up_sample = df_via_resample.groupby(SEAS)
gp_up_sample.quantile(FRAC_2_TAIL)

有 10 年的分钟数据,在我的机器上:这是关于:

比低频 dict 查找然后上采样快 2% 比正常频率np.array查找快7% >比我原来的方法改进了 400%

YMMV

【讨论】:

既然我合并了@Garrett的方法,我应该把它标记为社区wiki吗?【参考方案3】:

这很有帮助

    data = pd.read_excel(DATAPATH)
    data["Date"] = pd.to_datetime(data["Date"])

    def MonthToSeason(x):   
        global season
        if x == 6 or x == 7 or x == 8 or x == 9:
             season = "Monsoon"
        elif x == 10 or x == 11:
             season = "Post-monsoon"
        elif x == 12 or x == 1 or x == 2:
             season = "Winter"
        elif x == 3 or x == 4 or x == 5:
             season = "Summer"
        else:
             season = np.nan 
        return season

    data['Season'] = data['Date'].dt.month.apply(lambda x : MonthToSeason(x))
    GroupedData = data.groupby(data["Season"]).agg(['count','min','mean','max','std'])

【讨论】:

以上是关于Pandas 每年按季节高效分组的主要内容,如果未能解决你的问题,请参考以下文章

每月、每年分组的值计数 - Pandas

根据确切日期按季节分组数据

沿着 pandas 数据框中的列进行高效的跨步切片

带有冗余 nan 类别的 Pandas groupby

数据的分组与计算

pandas聚合和分组运算之groupby