Python - 基于 100 万行表上的日期差异的向量化条件变量总和

Question

我有以下 pandas 数据框:

Date                         Variable
2018-04-10 21:05:00             a
2018-04-10 21:05:00             a
2018-04-10 21:10:00             b
2018-04-10 21:15:00             a
2018-04-10 21:35:00             b
2018-04-10 21:45:00             a
2018-04-10 21:45:00             a

我的目标是计算包含 'a' 的行数，这些行数在 30 分钟之前和 30 分钟之前 每次之后的分钟数(包括前后时间相同的行) 之后，但不包括正在分析的每一行)。然后对每个做同样的事情 变量。因此，对于 Variable a 我最终会得到如下所示的结果:

Date                   nr_30_min_bef_a    nr_30_min_after_a   
2018-04-10 21:05:00           1                    2                             
2018-04-10 21:05:00           1                    2
2018-04-10 21:10:00           2                    1
2018-04-10 21:15:00           2                    2
2018-04-10 21:35:00           3                    2
2018-04-10 21:45:00           2                    1
2018-04-10 21:45:00           2                    1

我尝试执行 for 循环来迭代所有行，问题是 整个系列有超过一百万行，因此我一直在寻找更多 有效的解决方案。

import pandas as pd

df = pd.DataFrame({'Date': ['2018-04-10 21:05:00',
                            '2018-04-10 21:05:00',
                            '2018-04-10 21:10:00',
                            '2018-04-10 21:15:00',
                            '2018-04-10 21:35:00',
                            '2018-04-10 21:45:00',
                            '2018-04-10 21:45:00'],
                   'Variable': ['a', 'a', 'b', 'a', 'b', 'a', 'a']})

提前致谢。

Answer 1

以此为基础 previous answer , 你可以使用

import pandas as pd

df = pd.DataFrame({'Date': ['2018-04-10 21:05:00',
                            '2018-04-10 21:05:00',
                            '2018-04-10 21:10:00',
                            '2018-04-10 21:15:00',
                            '2018-04-10 21:35:00',
                            '2018-04-10 21:45:00',
                            '2018-04-10 21:45:00'],
                   'Variable': ['a', 'a', 'b', 'a', 'b', 'a', 'a']})

df['Date'] = pd.to_datetime(df['Date'])

freq_table = pd.crosstab(index=df['Date'], columns=df['Variable'])
df_bef = freq_table.rolling('30T', closed='both').sum().astype(int)
is_current = (freq_table != 0).astype(int)
df_bef -= is_current
df_bef.columns = ['nr_30_min_bef_{}'.format(col) for col in df_bef.columns]
result = pd.merge(df, df_bef, left_on='Date', right_index=True)

max_date = df['Date'].max()
min_date = df['Date'].min()
pseudo_dates = (max_date - df['Date'])[::-1] + min_date
freq_table_reversed = pd.crosstab(index=pseudo_dates, columns=df['Variable'])
df_after = freq_table_reversed.rolling('30T', closed='both').sum().astype(int)
df_after = pd.DataFrame(df_after.values[::-1], index=freq_table.index, 
                       columns=df_after.columns)
df_after -= is_current
df_after.columns = ['nr_30_min_after_{}'.format(col) for col in df_after.columns]

result = pd.merge(result, df_after, left_on='Date', right_index=True)
print(result)

打印内容

                 Date Variable  nr_30_min_bef_a  nr_30_min_bef_b  nr_30_min_after_a  nr_30_min_after_b
0 2018-04-10 21:05:00        a                1                0                  2                  2
1 2018-04-10 21:05:00        a                1                0                  2                  2
2 2018-04-10 21:10:00        b                2                0                  1                  1
3 2018-04-10 21:15:00        a                2                1                  2                  1
4 2018-04-10 21:35:00        b                3                1                  2                  0
5 2018-04-10 21:45:00        a                2                1                  1                  0
6 2018-04-10 21:45:00        a                2                1                  1                  0

<小时/>

主要的新想法是使用pd.crosstab生成频数表:

freq_table = pd.crosstab(index=df['Date'], columns=df['Variable'])
# Variable             a  b
# Date                     
# 2018-04-10 21:05:00  2  0
# 2018-04-10 21:10:00  0  1
# 2018-04-10 21:15:00  1  0
# 2018-04-10 21:35:00  0  1
# 2018-04-10 21:45:00  2  0

然后将每个滚动窗口中的数字相加:

df_bef = freq_table.rolling('30T', closed='both').sum().astype(int)

由于您希望从计数中排除当前行，因此从 df_bef 中减去 is_current:

is_current = (freq_table != 0).astype(int)
df_bef -= is_current