Python 熊猫每年按季节分类

我有一个多年的时间序列，我想要95%的数据都在这个范围内。 我想按季节来看看这个（'DJF'，'MAM'，'JJA'，'SON'）

我试过以下几点：

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

但在我的每分钟频率、长达十年的数据集上需要很长时间

我可以利用

TimeGrouper

几乎得到我想要的东西：

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产出（没有明显的方法来结合这些年的分位数限制）

我还尝试了制作一个

freq='QS-DEC'

时间序列'DJF'、'MAM'等，以最小化字典查找，然后向上采样到

df.index.freq

，并对其进行分组。它很慢，而且记忆也很重

我好像错过了一些明显的东西

编辑 根据@JohnE的评论

groupby中的

dict

查找需要时间。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

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

分位数计算速度很快：

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

添加一个季节栏，并对其进行分组，这在总体时间安排上是类似的。再次被

dict

lookup`控制：

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帧的方法，以最小化

dict

查找，然后进行采样。这种方法现在看起来是一种实质性的改进：我不知道我以前是如何使它变得如此缓慢的：

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

---

对于其他方法，这大约是2秒对13秒。

如果有帮助，我建议替换您认为缓慢的以下列表理解和dict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]

使用以下命令，它使用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]

下面是两种方法在~3年的详细数据上的timeit比较：

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

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

---

到目前为止，最快的方法是创建一个低频时间序列来进行季节查找，以及@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)

10年的分钟数据，在我的机器上：这是关于：

• 比低频

  dict

  lookup-up-sample快2%
• 比正常频率快7%。数组查找
• >比我原来的方法提高400%

YMMV

这可能会有所帮助

    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'])

---

到底哪一部分慢？下限和上限计算？只是一个猜测，但也许在groupby之外创建季节变量会有所帮助。现在这个问题似乎太长了。也许我应该把最后一部分的季节抽样改成一个答案。既然我采用了@Garrett的方法，我应该把它标记为社区维基吗？