【发布时间】:2014-04-26 22:36:18
【问题描述】:
我有一个包含 600 000 x/y 点的数据框,其中包含日期时间信息、另一个字段“状态”以及额外的描述性信息
我的目标是,对于每条记录:
- 按特定时空缓冲区内的记录对列“状态”求和
具体缓冲区在 t - 8 小时内
目前我在 pandas 数据框中有数据。
我可以遍历行,并为每条记录子集感兴趣的日期,然后计算距离并进一步限制选择。但是,有这么多记录,这仍然会很慢。
- 这需要 4.4 小时才能运行。
我可以看到我可以创建一个 3 维 kdtree,其中 x、y、日期作为纪元时间。但是,我不确定在合并日期和地理距离时如何正确限制距离。
这里有一些可重现的代码供你们测试:
导入
import numpy.random as npr
import numpy
import pandas as pd
from pandas import DataFrame, date_range
from datetime import datetime, timedelta
创建数据
np.random.seed(111)
生成测试数据的功能
def CreateDataSet(Number=1):
Output = []
for i in range(Number):
# Create a date range with hour frequency
date = date_range(start='10/1/2012', end='10/31/2012', freq='H')
# Create long lat data
laty = npr.normal(4815862, 5000,size=len(date))
longx = npr.normal(687993, 5000,size=len(date))
# status of interest
status = [0,1]
# Make a random list of statuses
random_status = [status[npr.randint(low=0,high=len(status))] for i in range(len(date))]
# user pool
user = ['sally','derik','james','bob','ryan','chris']
# Make a random list of users
random_user = [user[npr.randint(low=0,high=len(user))] for i in range(len(date))]
Output.extend(zip(random_user, random_status, date, longx, laty))
return pd.DataFrame(Output, columns = ['user', 'status', 'date', 'long', 'lat'])
#Create data
data = CreateDataSet(3)
len(data)
#some time deltas
before = timedelta(hours = 8)
after = timedelta(minutes = 1)
加速功能
def work(df):
output = []
#loop through data index's
for i in range(0, len(df)):
l = []
#first we will filter out the data by date to have a smaller list to compute distances for
#create a mask to query all dates between range for date i
date_mask = (df['date'] >= df['date'].iloc[i]-before) & (df['date'] <= df['date'].iloc[i]+after)
#create a mask to query all users who are not user i (themselves)
user_mask = df['user']!=df['user'].iloc[i]
#apply masks
dists_to_check = df[date_mask & user_mask]
#for point i, create coordinate to calculate distances from
a = np.array((df['long'].iloc[i], df['lat'].iloc[i]))
#create array of distances to check on the masked data
b = np.array((dists_to_check['long'].values, dists_to_check['lat'].values))
#for j in the date queried data
for j in range(1, len(dists_to_check)):
#compute the ueclidean distance between point a and each point of b (the date masked data)
x = np.linalg.norm(a-np.array((b[0][j], b[1][j])))
#if the distance is within our range of interest append the index to a list
if x <=100:
l.append(j)
else:
pass
try:
#use the list of desired index's 'l' to query a final subset of the data
data = dists_to_check.iloc[l]
#summarize the column of interest then append to output list
output.append(data['status'].sum())
except IndexError, e:
output.append(0)
#print "There were no data to add"
return pd.DataFrame(output)
运行代码并计时
start = datetime.now()
out = work(data)
print datetime.now() - start
有没有办法以矢量化方式进行此查询?或者我应该追求另一种技术。
【问题讨论】:
-
nn 列是每行 100 米内所有其他 x/y 坐标的列表,还是 100 米内所有坐标的 nn 值都相同?
-
'nn' 是 100m 内记录的所有索引的列表。我能够将索引列表传递给.iloc []。因此,我可以遍历数据并使用这些点查询 df,然后为每条记录创建日期查询。如果我继续,我会更新答案。我觉得这是一个相关的问题。
-
您能否展示您现在使用的代码的可重现示例?这将更容易提出可能的加速建议。
-
我认为你可以使用kd_tree找到距离最大为100m的所有点对,然后再通过时间戳进一步过滤结果。
-
这仍然让我循环浏览整个文件。通常,首先按日期过滤会将我需要计算距离的点数减少到
标签: python pandas spatial temporal