将复杂函数应用于多个时间序列答案

【问题标题】：Applying complex function to several timeseries将复杂函数应用于多个时间序列
【发布时间】：2016-06-19 14:07:20
【问题描述】：

我想要实现的是：我有几个时间序列，我需要按点组合它们并将结果作为一个新的时间序列返回。

我知道您可以在pandas 的系列上使用各种numpy 函数，但我不清楚如何将复杂函数应用于多个时间序列。

我要应用的功能：

def direction_day(y_values):
    # taking a numpy array of floats
    sig_sum = np.sum(np.sign(y_values))
    abs_sum = np.sum(np.abs(np.sign(y_values)))

    return (sig_sum / abs_sum)

我当前的TimeSeries 对象示例：

def ret_random_ts():
    dates = ['2016-1-{}'.format(i)for i in range(1,21)]
    values = [np.random.randn(4,3) for i in range(20)]

    return pd.Series(values, index=dates)

当然，我总是可以用for 循环遍历TimeSeries 并将它们粘合在一起。但是，我想知道是否可以选择将函数传递给每个日期包含多个值的 TimeSeries 对象，并将该函数应用于每个日期？

即：

ts = ret_random_ts()
ts.apply_func(direction_day,Series['Dates'])

【问题讨论】：

标签： python-3.x pandas dataframe

【解决方案1】：

你可以使用map:

ts.map(direction_day)

2016-1-1     0.166667
2016-1-2     0.000000
2016-1-3     0.166667
2016-1-4     0.666667
2016-1-5     0.000000
2016-1-6    -0.166667

或apply（产生相同的结果）

ts.apply(direction_day)

或apply 与 lambda（产生相同的结果）

ts.apply(lambda y: direction_day(y))

每个方法都将应用元素方式（对于Series 的值），因为Series 只有一列。 DataFrame 具有按元素或按行/列工作的方法（有关更多详细信息，请参阅此question）。在您的情况下，Series 的值是数组的数组，因此整个数组将传递给函数。如果您想要更多控制，我建议使用 DataFrame 而不是包含数组的 Series，这不是在 pandas 中工作的首选方式。但是您的数据不止两个维度 (3)，pandas 还提供了另一种名为 Panel 的数据结构，但我从未使用过 Panel，所以我无法为您提供帮助。

例如，这种数组将传递给您的direction_day 函数：

[[ 1.76405235,  0.40015721,  0.97873798],
       [ 2.2408932 ,  1.86755799, -0.97727788],
       [ 0.95008842, -0.15135721, -0.10321885],
       [ 0.4105985 ,  0.14404357,  1.45427351]]

【讨论】：

这会将函数应用于每个数据点的一个 y 值，还是将其应用于所有 y 值？由于我的函数需要一个列表/可迭代的，y 值是否会这样传递给我的函数？因为在我的测试运行中似乎就是这种情况。
我刚刚完成了我的回答，以提供一些精确度。我已经运行了这两个函数并且它运行（它不会产生错误），但我不知道结果是否符合您的期望。
嗯。我不确定确实如此，但是您的回答使我对此事有了一些了解。干杯！

【解决方案2】：

ts.apply(direction_day)
2016-1-1    -0.333333
2016-1-2    -0.500000
2016-1-3    -0.333333
2016-1-4     0.000000
2016-1-5     0.166667
2016-1-6     0.666667
2016-1-7     0.166667
2016-1-8     0.166667
2016-1-9     0.333333
2016-1-10    0.000000
2016-1-11   -0.333333
2016-1-12    0.166667
2016-1-13   -0.500000
2016-1-14    0.166667
2016-1-15    0.000000
2016-1-16   -0.333333
2016-1-17   -0.166667
2016-1-18   -0.166667
2016-1-19   -0.166667
2016-1-20    0.000000
dtype: float64

【讨论】：