如何通过 2x2 平均内核对 pandas 数据帧进行下采样

Question

我正在尝试对 pandas 数据帧进行下采样以降低粒度。例如，我想减少这个数据框：

1  2  3  4
2  4  3  3
2  2  1  3
3  1  3  2

对此（下采样以使用均值获得 2x2 数据帧）：

2.25  3.25
2     2.25

有没有内置的方法或有效的方法，还是我必须自己写？

谢谢

Answer 1

您可以使用两次应用rolling_mean 函数，首先在列上，然后在行上，然后对结果进行切片：

rbs = 2 # row block size
cbs = 2 # column block size
pd.rolling_mean(pd.rolling_mean(df.T, cbs, center=True)[cbs-1::cbs].T,
                rbs)[rbs-1::rbs]

这给出了您想要的相同结果，除了索引会不同（但您可以使用 .reset_index(drop=True) 解决此问题）：

      1     3
1  2.25  3.25
3  2.00  2.25

时间信息：

In [11]: df = pd.DataFrame(np.random.randn(100, 100))
In [12]: %%timeit
         pd.rolling_mean(pd.rolling_mean(df.T, 2, center=True)[1::2].T, 2)[1::2]
100 loops, best of 3: 4.75 ms per loop
In [13]: %%timeit
         df.groupby(lambda x: x/2).mean().groupby(lambda y: y/2, axis=1).mean()
100 loops, best of 3: 932 µs per loop

所以它比 groupby 慢 5 倍而不是 800x :)

Answer 2

一种选择是使用 groupby 两次。一次用于索引：

In [11]: df.groupby(lambda x: x//2).mean()
Out[11]:
     0    1  2    3
0  1.5  3.0  3  3.5
1  2.5  1.5  2  2.5

列一次：

In [12]: df.groupby(lambda x: x//2).mean().groupby(lambda y: y//2, axis=1).mean()
Out[12]:
      0     1
0  2.25  3.25
1  2.00  2.25

注意：只计算一次平均值的解决方案可能更可取...一种选择是堆叠、分组、平均和取消堆叠，但是atm 这有点繁琐。

这似乎比Vicktor's solution快得多：

In [21]: df = pd.DataFrame(np.random.randn(100, 100))

In [22]: %timeit df.groupby(lambda x: x//2).mean().groupby(lambda y: y//2, axis=1).mean()
1000 loops, best of 3: 1.64 ms per loop

In [23]: %timeit viktor()
1 loops, best of 3: 822 ms per loop

事实上，Viktor 的解决方案让我的（动力不足的）笔记本电脑因更大的 DataFrame 而崩溃：

In [31]: df = pd.DataFrame(np.random.randn(1000, 1000))

In [32]: %timeit df.groupby(lambda x: x//2).mean().groupby(lambda y: y//2, axis=1).mean()
10 loops, best of 3: 42.9 ms per loop

In [33]: %timeit viktor()
# crashes

正如 Viktor 指出的那样，这不适用于非整数索引，如果需要，您可以将它们存储为临时变量并在之后将它们反馈回来：

df_index, df_cols, df.index, df.columns = df.index, df.columns, np.arange(len(df.index)), np.arange(len(df.columns))
res = df.groupby(...
res.index, res.columns = df_index[::2], df_cols[::2]