具有多个输入和多个输出列的 Pandas 应用、滚动、分组

Question

过去一周我一直在努力尝试使用 apply 在整个 pandas 数据框上使用函数，包括 rolling 窗口、groupby ，尤其是多输入列和多输出列。我在 SO 上发现了大量关于这个主题的问题以及许多过时的答案。因此，我开始为 x 输入和输出、滚动、滚动和 groupby 组合的每种可能组合创建一个笔记本，并且我也专注于 性能。由于我不是唯一一个在这些问题上苦苦挣扎的人，我想我会在这里提供我的解决方案和工作示例，希望它可以帮助任何现有/未来的 pandas 用户。

Answer 1

重要提示

1. pandas中apply & rolling的组合对输出的要求非常高。您必须返回一个单一的值。您不能返回 pd.Series，不能返回列表，不能返回数组，不能秘密返回数组中的数组，而只能返回一个值，例如一个整数。当尝试为多个列返回多个输出时，此要求很难获得有效的解决方案。我不明白为什么它对“应用和滚动”有这个要求，因为不滚动“应用”就没有这个要求。一定是因为 pandas 的一些内部函数。
2. “应用和滚动”与多个输入列的组合根本不起作用！想象一个具有 2 列 6 行的数据框，并且您想应用滚动窗口为 2 的自定义函数。您的函数应该获得一个具有 2x2 值的输入数组 - 每列 2 个值，2 行。但似乎 pandas 无法同时处理滚动和多个输入列。我尝试使用 axis 参数让它工作，但是：
   • Axis = 0，将按列调用您的函数。在上述数据框中，它将调用您的函数 10 次（不是 12 次，因为 rolling=2），并且由于它是每列的，它只提供该列的 2 个滚动值……
   • Axis = 1，将按行调用您的函数。这可能是您想要的，但 pandas 不会提供 2x2 输入。它实际上完全忽略了滚动，只提供了一行 2 列的值...
3. 当对多个输入列使用“应用”时，您可以提供一个名为 raw（布尔值）的参数。默认为 False，这意味着输入将是一个 pd.Series，因此在值旁边包含索引。如果您不需要索引，可以将 raw 设置为 True 以获取 Numpy 数组，这通常会获得更好的性能。
4. 当组合 'rolling & groupby' 时，它会返回一个多索引系列，不能轻易地用作新列的输入。最简单的解决方案是在此处 (Python - rolling functions for GroupBy object) 附加一个 reset_index(drop=True) 作为回答和评论。
5. 您可能会问我，您什么时候想使用具有多个输出的滚动、groupby 自定义函数！？回答：我最近不得不在一个包含 500 万条记录（速度/性能很重要）的数据集上使用滑动窗口（滚动）进行傅里叶变换，数据集中有不同的批次（groupby）。而且我需要将傅里叶变换的功率和相位保存在不同的列（多个输出）中。大多数人可能只需要下面的一些基本示例，但我相信，尤其是在机器学习/数据科学领域，更复杂的示例会很有用。
6. 如果您有更好、更清晰或更快的方法来执行以下任何解决方案，请告诉我。我会更新我的答案，我们都可以受益！

代码示例

让我们首先创建一个数据框，它将在下面的所有示例中使用，包括用于 groupby 示例的 group-column。 对于滚动窗口和多个输入/输出列，我在下面的所有代码示例中只使用 2，但显然这可以是任何大于 1 的数字。

df = pd.DataFrame(np.random.randint(0,5,size=(6, 2)), columns=list('ab'))
df['group'] = [0, 0, 0, 1, 1, 1]
df = df[['group', 'a', 'b']]

看起来像这样：

group   a   b
0   0   2   2
1   0   4   1
2   0   0   4
3   1   0   2
4   1   3   2
5   1   3   0

输入1列，输出1列

基本

def func_i1_o1(x):    
    return x+1

df['c'] = df['b'].apply(func_i1_o1)

滚动

def func_i1_o1_rolling(x):
    return (x[0] + x[1])

df['d'] = df['c'].rolling(2).apply(func_i1_o1_rolling, raw=True)

Roling & Groupby

将 reset_index 解决方案（见上面的注释）添加到滚动函数中。

df['e'] = df.groupby('group')['c'].rolling(2).apply(func_i1_o1_rolling, raw=True).reset_index(drop=True)

输入2列，输出1列

基本

def func_i2_o1(x):
    return np.sum(x)

df['f'] = df[['b', 'c']].apply(func_i2_o1, axis=1, raw=True)

滚动

如上述注释中的第 2 点所述，对于 2 个输入没有“正常”解决方案。下面的解决方法使用 'raw=False' 来确保输入是 pd.Series，这意味着我们还可以获取值旁边的索引。这使我们能够从要使用的正确索引处的其他列中获取值。

def func_i2_o1_rolling(x):
    values_b = x
    values_c = df.loc[x.index, 'c'].to_numpy()
    return np.sum(values_b) + np.sum(values_c)

df['g'] = df['b'].rolling(2).apply(func_i2_o1_rolling, raw=False)

滚动和分组

将 reset_index 解决方案（见上面的注释）添加到滚动函数中。

df['h'] = df.groupby('group')['b'].rolling(2).apply(func_i2_o1_rolling, raw=False).reset_index(drop=True)

输入1列，输出2列

基本

您可以通过返回 pd.Series 来使用“正常”解决方案：

def func_i1_o2(x):
    return pd.Series((x+1, x+2))

df[['i', 'j']] = df['b'].apply(func_i1_o2)

或者你可以使用快 8 倍的 zip/tuple 组合！

def func_i1_o2_fast(x):
    return x+1, x+2

df['k'], df['l'] = zip(*df['b'].apply(func_i1_o2_fast))

滚动

正如上面注释中的第 1 点所述，如果我们在使用 滚动和应用 组合时想要返回超过 1 个值，我们需要一种解决方法。我找到了 2 个可行的解决方案。

1

def func_i1_o2_rolling_solution1(x):
    output_1 = np.max(x)
    output_2 = np.min(x)
    # Last index is where to place the final values: x.index[-1]
    df.at[x.index[-1], ['m', 'n']] = output_1, output_2
    return 0

df['m'], df['n'] = (np.nan, np.nan)
df['b'].rolling(2).apply(func_i1_o2_rolling_solution1, raw=False)

优点：一切都在 1 个函数内完成。
缺点：您必须先创建列，而且速度较慢，因为它不使用 原始输入。

2

rolling_w = 2
nan_prefix = (rolling_w - 1) * [np.nan]
output_list_1 = nan_prefix.copy()
output_list_2 = nan_prefix.copy()

def func_i1_o2_rolling_solution2(x):
    output_list_1.append(np.max(x))
    output_list_2.append(np.min(x))
    return 0

df['b'].rolling(rolling_w).apply(func_i1_o2_rolling_solution2, raw=True)
df['o'] = output_list_1
df['p'] = output_list_2

优点：它使用原始输入，使其速度提高了大约两倍。而且由于它不使用索引来设置输出值，因此代码看起来更清晰（至少对我而言）。
缺点：您必须自己创建 nan-prefix需要更多的代码行。


滚动和分组

通常，我会使用上面更快的第二种解决方案。但是，由于我们正在组合组并滚动，这意味着您必须在数据集中间某处的正确索引处手动设置 NaN/零（取决于组的数量）。在我看来，当结合滚动、分组和多个输出列时，第一个解决方案更容易，并且自动解决了自动 NaN/分组。最后，我再次使用了 reset_index 解决方案。

def func_i1_o2_rolling_groupby(x):
    output_1 = np.max(x)
    output_2 = np.min(x)
    # Last index is where to place the final values: x.index[-1]
    df.at[x.index[-1], ['q', 'r']] = output_1, output_2
    return 0

df['q'], df['r'] = (np.nan, np.nan)
df.groupby('group')['b'].rolling(2).apply(func_i1_o2_rolling_groupby, raw=False).reset_index(drop=True)

输入2列，输出2列

基本

我建议使用与 i1_o2 相同的“快速”方式，唯一的区别是您可以使用 2 个输入值。

def func_i2_o2(x):
    return np.mean(x), np.median(x)

df['s'], df['t'] = zip(*df[['b', 'c']].apply(func_i2_o2, axis=1))

滚动

由于我使用一种解决方法来应用 多个输入 滚动，而我使用另一种解决方法来滚动 多个输出，您可以猜到我需要将它们组合起来.
1. 使用索引从其他列获取值（参见 func_i2_o1_rolling）
2.在正确的索引上设置最终的多个输出（参见func_i1_o2_rolling_solution1）

def func_i2_o2_rolling(x):
    values_b = x.to_numpy()
    values_c = df.loc[x.index, 'c'].to_numpy()
    output_1 = np.min([np.sum(values_b), np.sum(values_c)])
    output_2 = np.max([np.sum(values_b), np.sum(values_c)])    
    # Last index is where to place the final values: x.index[-1]
    df.at[x.index[-1], ['u', 'v']] = output_1, output_2
    return 0

df['u'], df['v'] = (np.nan, np.nan)
df['b'].rolling(2).apply(func_i2_o2_rolling, raw=False)

滚动和分组

将 reset_index 解决方案（见上面的注释）添加到滚动函数中。

def func_i2_o2_rolling_groupby(x):
    values_b = x.to_numpy()
    values_c = df.loc[x.index, 'c'].to_numpy()
    output_1 = np.min([np.sum(values_b), np.sum(values_c)])
    output_2 = np.max([np.sum(values_b), np.sum(values_c)])    
    # Last index is where to place the final values: x.index[-1]
    df.at[x.index[-1], ['w', 'x']] = output_1, output_2
    return 0

df['w'], df['x'] = (np.nan, np.nan)
df.groupby('group')['b'].rolling(2).apply(func_i2_o2_rolling_groupby, raw=False).reset_index(drop=True)