Python 熊猫，高效地计算差异

考虑每个患者的测量数据帧和时间戳

patient     |  timestamp  |  x
A           |  2014-10-10 |  5.7
A           |  2014-10-11 |  6.3
B           |  2014-10-11 |  6.1
B           |  2014-10-10 |  4.1

我的目标是计算d，即一行x和最近一次测量x之间的差值

正如所建议的，这是我使用的代码

df.sort("timestamp", inplace=True)
df['d'] = df.groupby('patient')['x'].transform(pd.Series.diff).fillna(0)

但是，当尝试在具有许多度量的数据帧上运行此代码时

patient     |  timestamp  |  x_1  |  ...  |  x_n

使用简单循环：

df.sort("timestamp", inplace=True)
g=df.groupby('patient')
for x in df.columns:
    if x.find('x')>=0:
       df[x.replace('x','d')] = g[x].transform(pd.Series.diff).fillna(0)

代码运行得非常慢

有没有更有效的方法来计算差分向量并将其连接到测量向量？

groupby可能是一个昂贵的操作，并且您在循环中多次执行相同的操作。如果可能，尝试使用较少的groupbys进行所有计算：

cols = [col in df where col[0] = 'x']
res = df.groupby('patient')[cols].diff().fillna(0)

要连接，请先重命名，然后连接：

res = res.rename(columns=(lambda col: 'd'+col[1:]))
df = df.join(res, how='outer')

---

根据pandas和numpy的经验，如果使用循环，可能是做错了什么。或者至少以次优方式。

谢谢@ari，我确实需要将结果连接到新列，例如以d开头