Python生成滚动窗口以计算相关性

我有一个大熊猫数据框（97165行和2列），我想计算并保存每100行这些列之间的相关性，我想这样做：

第1个相关性-->从0到100的行-->corr=0.265

第二个相关性-->从1到101的行-->corr=0.279

第三个相关性-->行从2到102-->corr=0.287

每个值都必须存储并在绘图中显示，所以我必须将所有这些值保存在列表或类似的东西中

我一直在阅读有关滚动窗口的熊猫文档 但我什么都没能做到。 我尝试生成一个简单的循环以获得一些结果，但我遇到了内存问题，我尝试的代码是：

lcl = 100
a = []
for i in range(len(tabla)):

    x = tabla.iloc[i:lcl, [0]] 
    y = tabla.iloc[i:lcl, [1]]
    z = x['2015_Avion'].corr(y['2015_Hotel'])
    a.append(z) 
    lcl += 1

---

有什么建议吗？

我们可以通过处理阵列数据来优化内存和性能

方法#1

首先，让我们使用数组解决方案来获得两个

1D

数组之间对应元素的相关系数。这将基本上受到启发，看起来像这样-

def corrcoeff_1d(A,B):
    # Rowwise mean of input arrays & subtract from input arrays themeselves
    A_mA = A - A.mean(-1,keepdims=1)
    B_mB = B - B.mean(-1,keepdims=1)

    # Sum of squares
    ssA = np.einsum('i,i->',A_mA, A_mA)
    ssB = np.einsum('i,i->',B_mB, B_mB)

    # Finally get corr coeff
    return np.einsum('i,i->',A_mA,B_mB)/np.sqrt(ssA*ssB)

现在，要使用它，请在数组数据上使用相同的循环-

lcl = 100
ar = tabla.values
N = len(ar)
out = np.zeros(N)
for i in range(N):
    out[i] = corrcoeff_1d(ar[i:i+lcl,0], ar[i:i+lcl,1])

我们可以通过预先计算滚动平均值来进一步优化性能，滚动平均值用于使用卷积计算

corrcoff\u 1d

中的

A_mA

，但首先让我们排除内存错误

方法#2

这是一种几乎矢量化的方法，因为我们将矢量化大多数迭代，除了末尾没有适当窗口长度的剩余切片。循环计数将从

97165

减少到

lcl-1

，即仅

99

lcl = 100
ar = tabla.values
N = len(ar)
out = np.zeros(N)

col0_win = strided_app(ar[:,0],lcl,S=1)
col1_win = strided_app(ar[:,1],lcl,S=1)
vectorized_out = corr2_coeff_rowwise(col0_win, col1_win)
M = len(vectorized_out)
out[:M] = vectorized_out

for i in range(M,N):
    out[i] = corrcoeff_1d(ar[i:i+lcl,0], ar[i:i+lcl,1])

辅助函数-

# https://stackoverflow.com/a/40085052/ @ Divakar
def strided_app(a, L, S ):  # Window len = L, Stride len/stepsize = S
    nrows = ((a.size-L)//S)+1
    n = a.strides[0]
    return np.lib.stride_tricks.as_strided(a, shape=(nrows,L), strides=(S*n,n))

# https://stackoverflow.com/a/41703623/ @Divakar
def corr2_coeff_rowwise(A,B):
    # Rowwise mean of input arrays & subtract from input arrays themeselves
    A_mA = A - A.mean(-1,keepdims=1)
    B_mB = B - B.mean(-1,keepdims=1)

    # Sum of squares across rows
    ssA = np.einsum('ij,ij->i',A_mA, A_mA)
    ssB = np.einsum('ij,ij->i',B_mB, B_mB)

    # Finally get corr coeff
    return np.einsum('ij,ij->i',A_mA,B_mB)/np.sqrt(ssA*ssB)

---

NaN填充数据的相关性

下面列出了用于计算一维阵列和行相关值之间相关性的基于Pandas的相关计算的NumPy解决方案

1） 两个一维阵列之间的标量相关值-

def nancorrcoeff_1d(A,B):
    # Get combined mask
    comb_mask = ~(np.isnan(A) & ~np.isnan(B))
    count = comb_mask.sum()

    # Rowwise mean of input arrays & subtract from input arrays themeselves
    A_mA = A - np.nansum(A * comb_mask,-1,keepdims=1)/count
    B_mB = B - np.nansum(B * comb_mask,-1,keepdims=1)/count

    # Replace NaNs with zeros, so that later summations could be computed    
    A_mA[~comb_mask] = 0
    B_mB[~comb_mask] = 0

    ssA = np.inner(A_mA,A_mA)
    ssB = np.inner(B_mB,B_mB)

    # Finally get corr coeff
    return np.inner(A_mA,B_mB)/np.sqrt(ssA*ssB)

2） 两个

2D

数组

（m，n）

之间的行相关，为我们提供一个

1D

形状数组

（m，）

-

---

您提到尝试

滚动

。这到底出了什么问题？这对我很有用：

my_res = tabla['2015_Avion'].rolling(100).corr(tabla['2015_Hotel'])

---

my_res

将具有

NaN

值，直到其

100

th值，因此

my_res[99]

应该是两列的行

0

和行

99

元素之间的相关性，这将由仅应用于子集的

pandas

corr

函数返回

my_res[100]

是行

1

和行

100

元素之间的相关性。

输入数据框中有什么？用最少的代表性数据制作样本？另外，您在哪一步得到内存错误？排序的整数值大多数输出值是nan或0，在我的表中只有0到10之间的整数值。因此我不明白为什么我得到nan/0值。您是从某种csv读取的吗？是否可能某些值具有转义字符或导致问题的非ascii字符？我希望它会抛出一个错误，但这取决于corr（）的工作方式。我现在无法使用一些随机整数重新创建问题。我使用read_pickle读取文件，格式是bz2。我查看了数据集，但没有发现任何奇怪的地方。我没有使用python中的read_pickle或bz2的经验。尝试打印（repr（））某些值，以检查是否出现任何奇怪的情况（print（）可能无法捕获转义字符等）-例如，在窗口中提供NaN相关性的所有值上。如果my和Divakar的解决方案都提供0/NaN，我强烈建议查看数据本身-问题几乎肯定存在。你可以自己检查，也可以根据Divakar的建议发布一个示例。谢谢你的帮助，这很好，但我遇到了与其他方法相同的问题，前77个值很好，但之后所有值都是0或nan。idk为什么，但这一切都在发生solutions@WinterZ正如我在前面的评论中所说-。有一个bz2格式的样本，在我所有的方法中都包含10k行，就像在你的方法中一样，因为corr行77我得到了nan值…@WinterZ So？这两种解决方案现在都起作用了吗？问题是我对数据进行了排序，所以有很多重复值。您的解决方案非常好，但在我的例子中，我得到了nan值，因为这行代码：A_mA=A-A.mean（-1，keepdims=1），例如，所有用3填充的向量使A_mA等于0，并且当该值为0时，相关性公式不起作用。多谢各位！

my_res = tabla['2015_Avion'].rolling(100).corr(tabla['2015_Hotel'])