Python 中分组数据的累积自定义函数

Cumulative custom function over grouped data in Python

我希望在 pandas DataFrame 上创建一个保留函数,它在数据的分组部分上运行累积函数。

我想做一些类似于 R plyr 包所做的事情

假设我现在有一些虚拟数据:

df = pd.DataFrame({'x' : np.repeat(np.arange(1,11), 5), 
               'y': np.tile(np.arange(1,6), 10)} )

这给了我们(仅显示前 10 行):

   x  y
0  1  1
1  1  2
2  1  3
3  1  4
4  1  5
5  2  1
6  2  2
7  2  3
8  2  4
9  2  5

在这种情况下,'x' 是我要分组的列,'y' 是我要运行函数的列。

该函数是一个保留函数,它将一些因子应用于先前的总和并将其添加到当前值。在代码形式中,函数应该是这样的(可能是更好的方法):

def retention(x, r):
    n = len(x)
    D = np.zeros(n)
    D[0] = x[0]

    for i in range(1,n):
        D[i] = r*D[i - 1] +x[i]

    return D

但是我想在新的 'x' 值的开头重新开始

结果应如下所示:

   x  y
0  1  1
1  1  2.25
2  1  3.5625
3  1  4.890625
4  1  6.22265625
5  2  1
6  2  2.25
7  2  3.5625
8  2  4.890625
9  2  6.22265625

我需要足够灵活的解决方案,以便我可以按任意数量的列进行分组,并且组的长度可变。

我尝试了多种方法都无法得到解决方案。

例如,这有效:

grouped = df.groupby('x')
grouped.apply(lambda x: retention(df['y'],.25))

注意:在使用 plyr 包之前,我已经在 R 中完成了此操作:

retention = function(x , r) {
  n =length(x)
  D = rep(0, n)
  D[1] = x[1]
  for (i in 2:n) {

    D[i]=r*D[i-1] + x[i]

  }
  return(D)
}

x = rep(1:10, each = 5)
y = rep(1:5, 10)
df = data.frame(x,y)

ddply(df, .(x),  summarize, y = retention (y, .25))

有趣的问题。 看起来你的衰减因子,如果这样称呼的话,是 0.25,下面的两个步骤是预期的(打印前 10 个观察结果,结果称为 z):

In [67]:

z = df.groupby('x').y.apply(lambda x: np.convolve(x, np.power(0.25, range(len(x)))[:len(x)], mode='full')[:len(x)])
print z
x
1     [1.0, 2.25, 3.5625, 4.890625, 6.22265625]
2     [1.0, 2.25, 3.5625, 4.890625, 6.22265625]
3     [1.0, 2.25, 3.5625, 4.890625, 6.22265625]
4     [1.0, 2.25, 3.5625, 4.890625, 6.22265625]
5     [1.0, 2.25, 3.5625, 4.890625, 6.22265625]
6     [1.0, 2.25, 3.5625, 4.890625, 6.22265625]
7     [1.0, 2.25, 3.5625, 4.890625, 6.22265625]
8     [1.0, 2.25, 3.5625, 4.890625, 6.22265625]
9     [1.0, 2.25, 3.5625, 4.890625, 6.22265625]
10    [1.0, 2.25, 3.5625, 4.890625, 6.22265625]
Name: y, dtype: object
In [68]:

print pd.concat([pd.DataFrame({'x': i, 'z': v}) for i, v in zip(z.index.values, z.values)]).head(10)
   x         z
0  1  1.000000
1  1  2.250000
2  1  3.562500
3  1  4.890625
4  1  6.222656
0  2  1.000000
1  2  2.250000
2  2  3.562500
3  2  4.890625
4  2  6.222656

基本上,累加运算(带有一个因子)是使用numpy.convolve完成的。剩下的很简单:只需 groupby 将数据分组,应用 convolve,然后 concat 将结果放在一起。