使用 Pandas 滚动窗口高效生成状态标志

本文介绍如何使用 Pandas 的 groupby.rolling 函数，基于连续时间段的状态列高效地生成标志。针对大数据集，避免低效的循环，提供两种方案：一种考虑未来12个月的状态，另一种仅考虑过去12个月的状态。通过代码示例，详细展示了如何实现这两种标志生成逻辑，并提供了相应的输出结果。

利用 Pandas 滚动窗口进行状态标志生成

在数据分析中，经常需要基于时间序列数据生成标志。一个常见的场景是，根据一段时间内的状态来标记特定时间点。本文将介绍如何使用 Pandas 的滚动窗口功能，高效地根据连续时间段的状态列生成标志，避免使用低效的循环。

假设我们有一个包含 ID、Period 和 status 列的数据集。我们的目标是为每一行生成一个 Flag 列，该列的值取决于接下来（或之前）12 个月内的 status 列的值。如果接下来的 12 个月内 status 列中至少有一个值为 1，则将该行的 Flag 列标记为 1，否则标记为 0。

数据准备

首先，我们需要准备数据。假设我们的数据存储在一个 Pandas DataFrame 中，如下所示：

import pandas as pd

data = {'ID': ['A'] * 13,
        'Period': ['2020-10-28', '2020-11-28', '2020-12-28', '2021-01-28', '2021-02-28',
                   '2021-03-28', '2021-04-28', '2021-05-28', '2021-06-28', '2021-07-28',
                   '2021-08-28', '2021-09-28', '2021-10-28'],
        'status': [0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0]}
df = pd.DataFrame(data)

方案一：考虑未来 12 个月

此方案考虑未来12个月的状态，如果未来12个月中存在状态为1，则Flag标记为1。

df['Flag'] = (df
      .assign(Period=pd.to_datetime(df['Period']).dt.to_period('M'))
      [::-1]
      .groupby('ID').rolling(12, on='Period', min_periods=1)
      ['status'].max()[::-1].to_numpy()
)

print(df)

代码解释:

小羊标书

一键生成百页标书，让投标更简单高效

62

查看详情

1. df.assign(Period=pd.to_datetime(df['Period']).dt.to_period('M')): 将 Period 列转换为 Pandas Period 类型，方便进行滚动计算。
2. [::-1]: 反转 DataFrame 的顺序，因为 rolling 函数默认是向前滚动。
3. .groupby('ID').rolling(12, on='Period', min_periods=1): 按 ID 分组，并创建一个滚动窗口，窗口大小为 12 个月。min_periods=1 表示即使窗口内的样本数量少于 12 个，也会进行计算。
4. ['status'].max(): 计算滚动窗口内 status 列的最大值。
5. [::-1].to_numpy(): 再次反转结果，使其与原始 DataFrame 的顺序一致，并将结果转换为 NumPy 数组。

输出结果:

   ID      Period  status  Flag
0   A  2020-10-28       0   1.0
1   A  2020-11-28       0   1.0
2   A  2020-12-28       0   1.0
3   A  2021-01-28       0   1.0
4   A  2021-02-28       0   1.0
5   A  2021-03-28       0   1.0
6   A  2021-04-28       0   1.0
7   A  2021-05-28       0   1.0
8   A  2021-06-28       1   1.0
9   A  2021-07-28       0   0.0
10  A  2021-08-28       0   0.0
11  A  2021-09-28       0   0.0
12  A  2021-10-28       0   0.0

方案二：仅考虑过去 12 个月

此方案仅考虑过去12个月的状态，如果过去12个月中存在状态为1，则Flag标记为1。

df['Flag'] = (df
      .assign(Period=pd.to_datetime(df['Period']).dt.to_period('M'))
      .set_index('Period')
      [::-1]
      .groupby('ID')['status']
      .transform(lambda g: g.rolling(12, min_periods=1)
                            .max().shift(fill_value=0)
                 )
      .to_numpy()[::-1]
)

print(df)

代码解释:

1. df.assign(Period=pd.to_datetime(df['Period']).dt.to_period('M')): 将 Period 列转换为 Pandas Period 类型，方便进行滚动计算。
2. .set_index('Period'): 将 'Period' 列设置为索引。
3. [::-1]: 反转 DataFrame 的顺序，因为 rolling 函数默认是向前滚动。
4. .groupby('ID')['status']: 按 ID 分组，并选择 status 列。
5. .transform(lambda g: g.rolling(12, min_periods=1).max().shift(fill_value=0)): 使用 transform 函数对每个分组应用滚动窗口计算。rolling(12, min_periods=1).max() 计算滚动窗口内的最大值。.shift(fill_value=0) 将结果向下移动一位，并用 0 填充缺失值，从而实现仅考虑过去 12 个月。
6. .to_numpy()[::-1]: 将结果转换为 NumPy 数组，并再次反转结果，使其与原始 DataFrame 的顺序一致。

输出结果:

   ID      Period  status  Flag
0   A  2020-10-28       0   1.0
1   A  2020-11-28       0   1.0
2   A  2020-12-28       0   1.0
3   A  2021-01-28       0   1.0
4   A  2021-02-28       0   1.0
5   A  2021-03-28       0   1.0
6   A  2021-04-28       0   1.0
7   A  2021-05-28       0   1.0
8   A  2021-06-28       1   0.0
9   A  2021-07-28       0   0.0
10  A  2021-08-28       0   0.0
11  A  2021-09-28       0   0.0
12  A  2021-10-28       0   0.0

注意事项

• 数据类型: 确保 Period 列的数据类型正确。如果不是日期类型，需要先转换为日期类型。
• 排序: 根据 ID 和 Period 对数据进行排序，以确保滚动窗口计算的正确性。
• 内存占用: 对于非常大的数据集，滚动窗口计算可能会占用大量内存。可以考虑使用 Dask 等工具进行分布式计算。
• min_periods 参数: 根据实际需求调整 min_periods 参数。如果要求窗口内必须有 12 个有效值才能计算，则可以省略此参数。

总结

本文介绍了如何使用 Pandas 的 groupby.rolling 函数，高效地根据连续时间段的状态列生成标志。通过避免使用循环，可以显著提高处理大数据集的效率。根据实际需求，可以选择考虑未来或过去的状态。在实际应用中，需要注意数据类型、排序和内存占用等问题。

以上就是使用 Pandas 滚动窗口高效生成状态标志的详细内容，更多请关注php中文网其它相关文章！