pd.rolling_mean immer veraltet - alternativen für ndarrays

Sieht es aus wie pd.rolling_mean ist immer veraltet ndarrays,

 pd.rolling_mean(x, window=2, center=False)

FutureWarning: pd.rolling_mean ist veraltet ndarrays und wird in einer zukünftigen version entfernt

aber es scheint der Schnellste Weg, dies zu tun, nach diese SO beantworten.

Gibt es jetzt neue Möglichkeiten, dies zu tun, direkt mit SciPy oder NumPy, dass so schnell wie pd.rolling_mean?

  • Ich verstehe immer noch nicht, eine Antwort auf die Frage "Was ist die alternative rolling_mean Funktion für ndarrays?" Dies sollte in scipy oder numpy, ohne dabei auf eine Pandabären-Funktion vorgesehen für den Einsatz auf Dataframes
InformationsquelleAutor saladi | 2016-03-29
  1. 9

    EDIT -- Leider, es sieht aus wie der neue Weg ist nicht annähernd so schnell:

    Neue version des Pandas:

    In [1]: x = np.random.uniform(size=100)

In [2]: %timeit pd.rolling_mean(x, window=2)
1000 loops, best of 3: 240 µs per loop

In [3]: %timeit pd.Series(x).rolling(window=2).mean()
1000 loops, best of 3: 226 µs per loop

In [4]: pd.__version__
Out[4]: '0.18.0'

    Alte version:

    In [1]: x = np.random.uniform(size=100)

In [2]: %timeit pd.rolling_mean(x,window=2)
100000 loops, best of 3: 12.4 µs per loop

In [3]: pd.__version__
Out[3]: u'0.17.1'
    • guter Punkt, und so wie es aussieht hast du Recht. Siehe mein edit. Ich werde die Frage offen wieder zu sehen, ob jemand hat hier eine Lösung, bei der die älteren Geschwindigkeit.
    • dang ja, der saugt !
    • Siehe hier: das sollte nur fügen Sie ein winziges bit des function-call overhead, aber dieser hat eine uncessary Kopie des internen blocks, easy fix: github.com/pydata/pandas/issues/12732
    • Das ist ja schrecklich syntax... wir gingen von der einfachen und knappen, etwas wortreicher und unpythonic.
    • Ich fast Zustimmen, aber die neue syntax Mittel, die wir anwenden können beliebiger - Funktion, um das Fenster, nicht nur die musteradresse lieben.
    • Wie kann ich mit pd.Reihe(x), für 3D-array. Hier ist x 3D-numpy array.

    InformationsquelleAutor saladi
  2. 4

    Sieht aus wie der neue Weg wird über Methoden der DataFrame.rolling Klasse (ich nehme an, du bist gemeint, daran zu denken, wie eine Art groupby):
    http://pandas.pydata.org/pandas-docs/version/0.18.0/whatsnew.html

    z.B.

    x.rolling(window=2).mean()
    • Ja, ich erkannte, dass. Sollte habe dies auch schon in der Frage. In jedem Fall, es stellt sich heraus, es ist nur so schnell, obwohl es erfordert ausdrücklich drehen x in eine pd.Series (Siehe meine Antwort mit details).
    • Wie kann ich mit pd.Reihe(x), für 3D-array. Hier ist x 3D-numpy array.
    InformationsquelleAutor maxymoo
  3. 1

    versuchen, diese 

    x.rolling(window=2, center=False).mean()
    InformationsquelleAutor Pruce Uchiha
  4. 0

    Schlage ich vor, scipy.ndimage.Filter.uniform_filter1d wie in meinem Antwort auf die verlinkte Frage. Es ist auch viel schneller für große arrays:

    import numpy as np
from scipy.ndimage.filters import uniform_filter1d
N = 1000
x = np.random.random(100000)

%timeit pd.rolling_mean(x, window=N)
__main__:257: FutureWarning: pd.rolling_mean is deprecated for ndarrays and will be removed in a future version
The slowest run took 84.55 times longer than the fastest. This could mean that an intermediate result is being cached.
1 loop, best of 3: 7.37 ms per loop

%timeit uniform_filter1d(x, size=N)
10000 loops, best of 3: 190 µs per loop
    • Wie kann ich mit pd.Reihe(x), für 3D-array. Hier ist x 3D-numpy array.
    InformationsquelleAutor moi
  5. -2

    Wenn Ihre Dimensionen homogen ist, könnten Sie versuchen, zu implementieren, die eine n-dimensionale form der Summiert Bereich Tabelle verwendet für die bidirektionalen Bilder:

    Einem summierenden Bereich Tabelle ist eine Datenstruktur und Algorithmus, um schnell und effizient die Erzeugung der Summe der Werte in eine rechteckige Teilmenge eines Gitters.

    Dann, in dieser Reihenfolge, könnte man:

    1. Erstellen, die summierte Fläche Tabelle ("integral") der Arrays;
    2. Durchlaufen, um die (Recht günstigen) Betrag eines n-dimensionalen kernel an einer gegebenen position;
    3. Teilen durch die Größe der n-dimensionale Volumen des Kernels.

    Leider kann ich nicht wissen, ob dies effizient ist oder nicht, sondern von der gegebenen Prämisse sollte es sein.

    • Wie kann ich mit pd.Reihe(x), für 3D-array. Hier ist x 3D-numpy array.
    InformationsquelleAutor heltonbiker
Schreibe einen Kommentar