Python-基于一百万行表上日期差的向量化条件变量和
我有以下数据帧:Python-基于一百万行表上日期差的向量化条件变量和,python,pandas,Python,Pandas,我有以下数据帧: 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
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
我的目标是计算在30分钟之前和30分钟之后包含('a')
的行数
每次后分钟(包括前后时间相同的行)
之后,但不包括正在分析的每一行)。然后对每一个进行同样的操作
变量
。因此,对于变量
a
,我的结论如下:
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
我曾尝试执行for循环来迭代所有行,问题是
整个系列有超过百万行,因此我正在寻找一个
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']})
提前感谢。在此基础上,
你可以用
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)
哪张照片
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
主要的新想法是使用
pd.crosstab
生成频率表:
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
然后对每个滚动窗口中的数字求和:
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,is_current
从df_bef
中减去:
is_current = (freq_table != 0).astype(int)
df_bef -= is_current
我用你评论中的信息修改了你的问题。请确认我没有改变你问题的意图。谢谢。但是这个方法在after列上给了我一个错误。例如,如果您将变量列上的最后一个字符串a替换为字符串b,并且如果您运行df['variable']=='b'的代码,则后面的列将给我一个-1数字。它不应该给出一个0数字吗(因为我们在30分钟的时间间隔内计算b的数量)?我添加了一个稍微不同的方法,它计算
变量中所有值的“before”和“after”。请参阅上面的编辑。如果我将上面发布的代码中的df['Variable']=='a'
更改为df['Variable']=='b'
,则我没有看到任何-1
s。在使用实际的df
时,您是否看到-1
?如果是这样的话,你真实的df
中可能有一些特殊的东西,我在我发布的代码中没有提到。在这种情况下,如果你能找出你真正的df
与我现在看到的玩具有什么不同,那将非常有帮助。(一个生成-1的可运行示例将非常有用。)这种新方法非常有效。你绝对是个明星。非常感谢你。