Python的高效滚动修剪意味着

概述用 Python计算滚动(又称移动窗口)修剪平均值的最有效方法是什么？ 例如,对于50K行和窗口大小为50的数据集,对于每行我需要取最后50行,删除顶部和底部3个值(窗口大小的5％,向上舍入),并获取其余44个值的平均值. 目前我正在为每一行切片以获取窗口,对窗口进行排序然后切片以修剪它.它运作缓慢,但必须有一个更有效的方式. 例 [10,12,8,13,7,18,19,9,15,14] # da 用 Python计算滚动(又称移动窗口)修剪平均值的最有效方法是什么？

例如,对于50K行和窗口大小为50的数据集,对于每行我需要取最后50行,删除顶部和底部3个值(窗口大小的5％,向上舍入),并获取其余44个值的平均值.

目前我正在为每一行切片以获取窗口,对窗口进行排序然后切片以修剪它.它运作缓慢,但必须有一个更有效的方式.

例

[10,12,8,13,7,18,19,9,15,14] # data used for example,in real its a 50k lines df

窗口大小为5.对于每一行,我们查看最后5行,对它们进行排序并丢弃1个顶部和1个底部行(5％的5 = 0.25,向上舍入为1).然后我们平均剩下的中间行.

生成此示例的代码设置为DataFrame

pd.DataFrame({    'value': [10,14],'window_of_last_5_values': [        np.NaN,np.NaN,'10,7','12,18','8,19','13,9','7,15','18,14'    ],'values that are counting for average': [        np.NaN,8',13','result': [        np.NaN,10.0,11.0,13.0,13.333333333333334,14.0,15.666666666666666    ]})

天真实现的示例代码

window_size = 5outlIErs_to_remove = 1for index in range(window_size - 1,len(df)):    current_window = df.iloc[index - window_size + 1:index + 1]    trimmed_mean = current_window.sort_values('value')[        outlIErs_to_remove:window_size - outlIErs_to_remove]['value'].mean()    # save the result and the window content somewhere

关于DataFrame vs List vs NumPy数组的注释

只需将数据从DataFrame移动到列表,我就可以使用相同的算法获得3.5倍的速度提升.有趣的是,使用NumPy阵列也可以提供几乎相同的速度提升.但是,必须有更好的方法来实现这一目标并实现数量级的提升.

解决方法 一个可以派上用场的观察是你不需要在每一步中对所有值进行排序.相反,如果您确保窗口始终排序,您需要做的就是在相关位置插入新值,并从原来的位置删除旧值,这两个 *** 作都可以在O中完成(log_2 (window_size))使用 bisect.在实践中,这看起来像

def rolling_mean(data):    x = sorted(data[:49])    res = np.repeat(np.nan,len(data))    for i in range(49,len(data)):        if i != 49:            del x[bisect.bisect_left(x,data[i - 50])]        bisect.insort_right(x,data[i])        res[i] = np.mean(x[3:47])    return res

现在,在这种情况下,额外的好处是scipy.stats.trim_mean所依赖的矢量化所获得的好处,所以特别是,它仍然比@ ChrisA的解决方案慢,但它是一个有用的开始进一步的性能优化点.

> data = pd.SerIEs(np.random.randint(0,1000,50000))> %timeit data.rolling(50).apply(lambda w: trim_mean(w,0.06))727 ms ± 34.7 ms per loop (mean ± std. dev. of 7 runs,1 loop each)> %timeit rolling_mean(data.values)812 ms ± 42.1 ms per loop (mean ± std. dev. of 7 runs,1 loop each)

值得注意的是,Numba的抖动在这种情况下通常很有用,也没有任何好处：

> from numba import jit> rolling_mean_jit = jit(rolling_mean)> %timeit rolling_mean_jit(data.values)1.05 s ± 183 ms per loop (mean ± std. dev. of 7 runs,1 loop each)

以下似乎远非最优的方法优于上述两种方法：

def rolling_mean_np(data):    res = np.repeat(np.nan,len(data))    for i in range(len(data)-49):        x = np.sort(data[i:i+50])        res[i+49] = x[3:47].mean()    return res

定时：

> %timeit rolling_mean_np(data.values)564 ms ± 4.44 ms per loop (mean ± std. dev. of 7 runs,1 loop each)

更重要的是,这一次,JIT编译确实有帮助：

> rolling_mean_np_jit = jit(rolling_mean_np)> %timeit rolling_mean_np_jit(data.values)94.9 ms ± 605 µs per loop (mean ± std. dev. of 7 runs,10 loops each)

虽然我们正在努力,但我们只是快速验证这实际上是否符合我们的预期：

> np.all(rolling_mean_np_jit(data.values)[49:] == data.rolling(50).apply(lambda w: trim_mean(w,0.06)).values[49:])True

事实上,通过帮助分拣机一点点,我们可以挤出另一个因子2,将总时间缩短到57毫秒：

def rolling_mean_np_manual(data):    x = np.sort(data[:50])    res = np.repeat(np.nan,len(data))    for i in range(50,len(data)+1):        res[i-1] = x[3:47].mean()        if i != len(data):            IDx_old = np.searchsorted(x,data[i-50])            x[IDx_old] = data[i]            x.sort()    return res> %timeit rolling_mean_np_manual(data.values)580 ms ± 23 ms per loop (mean ± std. dev. of 7 runs,1 loop each)> rolling_mean_np_manual_jit = jit(rolling_mean_np_manual)> %timeit rolling_mean_np_manual_jit(data.values)57 ms ± 5.89 ms per loop (mean ± std. dev. of 7 runs,1 loop each)> np.all(rolling_mean_np_manual_jit(data.values)[49:] == data.rolling(50).apply(lambda w: trim_mean(w,0.06)).values[49:])True

现在,在这个例子中正在进行的“排序”当然只是归结为将新元素放在正确的位置,同时将所有内容移到一个之间.手动执行此 *** 作将使纯Python代码变慢,但jitted版本获得另一个因子2,使我们低于30毫秒：

def rolling_mean_np_shift(data):    x = np.sort(data[:50])    res = np.repeat(np.nan,len(data)+1):        res[i-1] = x[3:47].mean()        if i != len(data):            IDx_old,IDx_new = np.searchsorted(x,[data[i-50],data[i]])            if IDx_old < IDx_new:                x[IDx_old:IDx_new-1] = x[IDx_old+1:IDx_new]                x[IDx_new-1] = data[i]            elif IDx_new < IDx_old:                x[IDx_new+1:IDx_old+1] = x[IDx_new:IDx_old]                x[IDx_new] = data[i]            else:                x[IDx_new] = data[i]    return res> %timeit rolling_mean_np_shift(data.values)937 ms ± 97.8 ms per loop (mean ± std. dev. of 7 runs,1 loop each)> rolling_mean_np_shift_jit = jit(rolling_mean_np_shift)> %timeit rolling_mean_np_shift_jit(data.values)26.4 ms ± 693 µs per loop (mean ± std. dev. of 7 runs,1 loop each)> np.all(rolling_mean_np_shift_jit(data.values)[49:] == data.rolling(50).apply(lambda w: trim_mean(w,0.06)).values[49:])True

此时,大部分时间都花在了np.searchsorted上,所以让我们让搜索本身对JIT友好.采用the source code for bisect,我们让

@jitdef binary_search(a,x):    lo = 0    hi = 50    while lo < hi:        mID = (lo+hi)//2        if a[mID] < x: lo = mID+1        else: hi = mID    return lo@jitdef rolling_mean_np_jitted_search(data):    x = np.sort(data[:50])    res = np.repeat(np.nan,len(data)+1):        res[i-1] = x[3:47].mean()        if i != len(data):            IDx_old = binary_search(x,data[i-50])            IDx_new = binary_search(x,data[i])            if IDx_old < IDx_new:                x[IDx_old:IDx_new-1] = x[IDx_old+1:IDx_new]                x[IDx_new-1] = data[i]            elif IDx_new < IDx_old:                x[IDx_new+1:IDx_old+1] = x[IDx_new:IDx_old]                x[IDx_new] = data[i]            else:                x[IDx_new] = data[i]    return res

这将我们降低到12毫秒,比原始大熊猫SciPy方法提高了x60：

> %timeit rolling_mean_np_jitted_search(data.values)12 ms ± 210 µs per loop (mean ± std. dev. of 7 runs,100 loops each)

总结

以上是内存溢出为你收集整理的Python的高效滚动修剪意味着全部内容，希望文章能够帮你解决Python的高效滚动修剪意味着所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。