熊猫适用于滚动多列输出答案

【问题标题】：Pandas apply on rolling with multi-column output熊猫适用于滚动多列输出
【发布时间】：2020-10-24 05:54:14
【问题描述】：

我正在编写将滚动窗口应用于返回多列的函数的代码。

输入：熊猫系列
预期输出：3 列 DataFrame

def fun1(series, ):
    # Some calculations producing numbers a, b and c
    return {"a": a, "b": b, "c": c} 

res.rolling('21 D').apply(fun1)

资源内容：

time
2019-09-26 16:00:00    0.674969
2019-09-26 16:15:00    0.249569
2019-09-26 16:30:00   -0.529949
2019-09-26 16:45:00   -0.247077
2019-09-26 17:00:00    0.390827
                         ...   
2019-10-17 22:45:00    0.232998
2019-10-17 23:00:00    0.590827
2019-10-17 23:15:00    0.768991
2019-10-17 23:30:00    0.142661
2019-10-17 23:45:00   -0.555284
Length: 1830, dtype: float64

错误：

TypeError: must be real number, not dict

我尝试过的：

在应用中更改 raw=True
在应用中使用 lambda 函数
以列表/numpy 数组/数据帧/系列的形式在 fun1 中返回结果。

我也浏览过很多关于 SO 的相关帖子，仅举几例：

但是指定的解决方案都没有解决这个问题。

有没有直接的解决方案？

【问题讨论】：

标签： python pandas dataframe rolling-computation

【解决方案1】：

这是一个使用rolling 的hacky答案，生成一个DataFrame：

import pandas as pd
import numpy as np

dr = pd.date_range('09-26-2019', '10-17-2019', freq='15T')
data = np.random.rand(len(dr))

s = pd.Series(data, index=dr)

output = pd.DataFrame(columns=['a','b','c'])

row = 0

def compute(window, df):
    global row
    a = window.max()
    b = window.min()
    c = a - b
    df.loc[row,['a','b','c']] = [a,b,c]
    row+=1    
    return 1
    
s.rolling('1D').apply(compute,kwargs={'df':output})

output.index = s.index

似乎rolling apply 函数总是期望返回一个数字，以便根据计算立即生成一个新系列。

我通过创建一个新的output DataFrame（带有所需的输出列）并在函数中写入它来解决这个问题。我不确定是否有办法在滚动对象中获取索引，所以我改为使用global 来增加写入新行的计数。不过，鉴于上述观点，您需要return 一些数字。所以虽然实际上rolling操作返回了一系列1，但output被修改了：

In[0]:
s

Out[0]:
2019-09-26 00:00:00    0.106208
2019-09-26 00:15:00    0.979709
2019-09-26 00:30:00    0.748573
2019-09-26 00:45:00    0.702593
2019-09-26 01:00:00    0.617028
  
2019-10-16 23:00:00    0.742230
2019-10-16 23:15:00    0.729797
2019-10-16 23:30:00    0.094662
2019-10-16 23:45:00    0.967469
2019-10-17 00:00:00    0.455361
Freq: 15T, Length: 2017, dtype: float64

In[1]:
output

Out[1]:
                           a         b         c
2019-09-26 00:00:00  0.106208  0.106208  0.000000
2019-09-26 00:15:00  0.979709  0.106208  0.873501
2019-09-26 00:30:00  0.979709  0.106208  0.873501
2019-09-26 00:45:00  0.979709  0.106208  0.873501
2019-09-26 01:00:00  0.979709  0.106208  0.873501
                      ...       ...       ...
2019-10-16 23:00:00  0.980544  0.022601  0.957943
2019-10-16 23:15:00  0.980544  0.022601  0.957943
2019-10-16 23:30:00  0.980544  0.022601  0.957943
2019-10-16 23:45:00  0.980544  0.022601  0.957943
2019-10-17 00:00:00  0.980544  0.022601  0.957943

[2017 rows x 3 columns]

这感觉更像是对rolling 的利用，而不是预期用途，所以我很想看到一个更优雅的答案。

更新：感谢@JuanPi，您可以使用this answer 获取滚动窗口索引。因此，非globalanswer 可能如下所示：

def compute(window, df):
    a = window.max()
    b = window.min()
    c = a - b
    df.loc[window.index.max(),['a','b','c']] = [a,b,c]  
    return 1

【讨论】：

你可以使用这个答案stackoverflow.com/a/60918101中的技巧来获取当前窗口的索引
@JuanPi 谢谢分享，正想问这个！我更新了我的答案以包括这个
不是那么 hacky，您基本上是在利用 pandas 滚动功能作为窗口生成器。您没有得到的是具有通常滚动窗口的领先 NaN，但如果需要，可以预先添加它们。

【解决方案2】：

这个 hack 似乎对我有用，尽管滚动的附加功能不能应用于这个解决方案。但是，由于多处理，应用程序的速度明显更快。

from multiprocessing import Pool
import functools


def apply_fn(indices, fn, df):
    return fn(df.loc[indices])
              
    
def rolling_apply(df, fn, window_size, start=None, end=None):
    """
    The rolling application of a function fn on a DataFrame df given the window_size
    """
    x = df.index
    if start is not None:
        x = x[x >= start]
    if end is not None:
        x = x[x <= end]
    if type(window_size) == str:
        delta = pd.Timedelta(window_size)
        index_sets = [x[(x > (i - delta)) & (x <= i)] for i in x]
    else: 
        assert type(window_size) == int, "Window size should be str (representing Timedelta) or int"
        delta = window_size
        index_sets = [x[(x > (i - delta)) & (x <= i)] for i in x]
    
    with Pool() as pool:
        result = list(pool.map(functools.partial(apply_fn, fn=fn, df=df), index_sets))
    result = pd.DataFrame(data=result, index=x)
        
    return result

具备上述功能后，插入功能以滚动到自定义rolling_function。

result = rolling_apply(res, fun1, "21 D")

结果内容：

                    a           b           c
time            
2019-09-26 16:00:00 NaN         NaN         NaN
2019-09-26 16:15:00 0.500000    0.106350    0.196394
2019-09-26 16:30:00 0.500000    0.389759    -0.724829
2019-09-26 16:45:00 2.000000    0.141436    -0.529949
2019-09-26 17:00:00 6.010184    0.141436    -0.459231
... ... ... ...
2019-10-17 22:45:00 4.864015    0.204483    -0.761609
2019-10-17 23:00:00 6.607717    0.204647    -0.761421
2019-10-17 23:15:00 7.466364    0.204932    -0.761108
2019-10-17 23:30:00 4.412779    0.204644    -0.760386
2019-10-17 23:45:00 0.998308    0.203039    -0.757979
1830 rows × 3 columns

注意：

此实现适用于 Series 和 DataFrame 输入
此实现适用于时间和整数窗口
fun1 返回的结果甚至可以是列表、numpy 数组、系列或字典
window_size 仅考虑最大窗口大小，因此所有低于window_size 的起始索引都将使其窗口包含直到起始元素的所有元素。
apply 函数不应嵌套在 rolling_apply 函数中，因为 pool.map 不能接受本地或 lambda 函数，因为根据 multiprocessing 库，它们不能被“腌制”

【讨论】：