Python熊猫用滚动窗口删除重复项

我有一个pandas数据框（大约500000行），带有日期时间索引和3列（a、b、c）：

我想在10分钟的滚动窗口内搜索，并从其中一列（b列）中删除重复项，以获得如下内容：

                           a       b        c
2016-03-30 09:59:36.619    0       55       0
2016-03-30 09:59:41.979    0       20       0
2016-03-30 09:59:41.986    0       1        0
2016-03-30 09:59:51.265    0       20       9
2016-03-30 10:00:03.273    0       55       26
2016-03-30 10:00:17.416    0       156      0
2016-03-30 10:00:17.928    0       122      1073
2016-03-30 10:00:51.147    10      2        0
2016-03-30 10:01:27.060    0       156      0

使用

drop\u duplicates

和

rolling\u apply

会让人想起，但这两个功能不能很好地配合使用，即：

pd.rolling_apply(df, '10T', lambda x:x.drop_duplicates(subset='b'))

引发错误，因为函数必须返回值，而不是df。 这就是我到目前为止所做的：

import datetime as dt
windows = []
for ind in range(len(df)):
    t0 = df.index[ind]
    t1 = df.index[ind]+dt.timedelta(minutes=10)

    windows.append(df[numpy.logical_and(t0<df.index,\
    df.index<=t1)].drop_duplicates(subset='b'))

但这不起作用，而且已经开始变得一团糟。有没有人有什么好主意来尽可能有效地解决这个问题

---

提前谢谢。

我希望这是有用的。我滚动了一个函数，该函数检查最后一个值是否是10分钟窗口中早期元素的副本。结果可用于布尔索引

# Simple example
dates = pd.date_range('2017-01-01', periods = 5, freq = '4min')
col1 = [1, 2, 1, 3, 2]
df = pd.DataFrame({'col1':col1}, index = dates)

# Make function that checks if last element is a duplicate
def last_is_duplicate(a):
    if len(a) > 1:
        return a[-1] in a[:len(a)-1]
    else: 
        return False    

# Roll over 10 minute window to find duplicates of recent elements
dup = df.col1.rolling('10T').apply(last_is_duplicate).astype('bool')

# Keep only those rows for which col1 is not a recent duplicate
df[~dup]

---

谢谢，这是一个很好的方法。如何将其转换为多个列？因为您使用的是

df.col1.rolling

我想检查在2分钟的窗口中是否有基于两列的重复事务。还有，索引必须是基于时间的吗？你能看一看吗？连接列首先能解决你的问题吗？不！我试过了，但没有。因为两列中有一列是string，它给出了两个错误。一个无法转换为浮点。字符串类型上不允许进行第二次滚动。

new_df = []
for ind in range(len(windows)-1):
    new_df.append(pd.unique(pd.concat([pd.Series(windows[ind].index),\
    pd.Series(windows[ind+1].index)])))

# Simple example
dates = pd.date_range('2017-01-01', periods = 5, freq = '4min')
col1 = [1, 2, 1, 3, 2]
df = pd.DataFrame({'col1':col1}, index = dates)

# Make function that checks if last element is a duplicate
def last_is_duplicate(a):
    if len(a) > 1:
        return a[-1] in a[:len(a)-1]
    else: 
        return False    

# Roll over 10 minute window to find duplicates of recent elements
dup = df.col1.rolling('10T').apply(last_is_duplicate).astype('bool')

# Keep only those rows for which col1 is not a recent duplicate
df[~dup]