Python Pandas/Numpy：基于二进制信号计算当前状态序列

我有两个二进制“信号”的时间序列，让我们称它们为“进入”和“停留”

Entry==1表示将1添加到当前状态（最长时间），stay==0表示将当前状态设置为0

entry:
0
1
1
0
1
0

stay:
1
1
1
1
0
1

我的代码现在计算组合的当前状态：

state:
0
1
2
2
0
1

目前我使用以下代码，不幸的是（取决于最长时间）非常慢（状态/停留/进入是时间序列）：

---

你知道如何将代码矢量化以获得更好的性能吗？非常感谢

现在终于找到了解决方案，使用了一些NumPy函数：

def calc_state_series(entry,stay, max_time=5):
    reduce=(copy.deepcopy(entry)*0).fillna(0) #just for initalization
    reduce[(entry.shift(max_time)==1) & (pd.rolling_mean(stay,max_time)==1)]-=1
    entry=(entry+stay.shift(1)).fillna(0) #reduce state after max_time
    x=entry.values
    x = np.concatenate(([0], x))
    y=stay.values
    y=np.concatenate(([0], y))
    nans = y==0
    x = np.array(x)
    x[nans] = 0
    reset_idx = np.zeros(len(x), dtype=int)
    reset_idx[nans] = np.arange(len(x))[nans]
    reset_idx = np.maximum.accumulate(reset_idx)
    cumsum = np.cumsum(x)
    cumsum = cumsum - cumsum[reset_idx]
    return pd.Series(cumsum[1:], index=entry.index)

---

我设法避免了循环，这个解决方案（取决于最长时间）比我快了100倍——但可能还有进一步优化的潜力。

什么是

max\u time

？此外，where does does

copy.deepcopy

come from.max_time是条目==1之后的时段数，对于该时段，状态应增加1（但同时存在停留==0的情况除外）。copy是python stdlib模块，deepcopy是复制对象的函数。

def calc_state_series(entry,stay, max_time=5):
    reduce=(copy.deepcopy(entry)*0).fillna(0) #just for initalization
    reduce[(entry.shift(max_time)==1) & (pd.rolling_mean(stay,max_time)==1)]-=1
    entry=(entry+stay.shift(1)).fillna(0) #reduce state after max_time
    x=entry.values
    x = np.concatenate(([0], x))
    y=stay.values
    y=np.concatenate(([0], y))
    nans = y==0
    x = np.array(x)
    x[nans] = 0
    reset_idx = np.zeros(len(x), dtype=int)
    reset_idx[nans] = np.arange(len(x))[nans]
    reset_idx = np.maximum.accumulate(reset_idx)
    cumsum = np.cumsum(x)
    cumsum = cumsum - cumsum[reset_idx]
    return pd.Series(cumsum[1:], index=entry.index)