Numpy：如何在多对值之间提取 numpy 数组的行？

Question

我对 Python 比较陌生，目前我在以有效的方式实现概念上简单的算法方面遇到了一些问题。我已经能够在 pandas 中完成（但执行起来很慢）。

我有一个由 n 行和 3 列组成的 ndarray:

--------------------
  "A"  |  1  |  12
--------------------
  "B"  |  2  |  34
--------------------
  "S"  |  3  |  1
--------------------
  "B"  |  4  |  145
--------------------
  "A"  |  5  |  132
--------------------
  "B"  |  6  |  234
--------------------
  "E"  |  7  |  1
--------------------
  "B"  |  8  |  15
--------------------

第一列表示 id，第二列表示 timestamp，第三列表示 value. 我必须过滤 ndarray，只取时间戳包含在 id "S"（开始）时间戳和 id "E"（结束）时间戳之间的行。在同一个 ndarray 中可能有超过一对 "S" 和 "E"。在不连续的 "S" 和 "E" 对的情况下，我需要最短的子数组。换句话说，输出中不应出现 id "S" 或 "E"。

所以输出应该是：

--------------------
  "B"  |  4  |  145
--------------------
  "A"  |  5  |  132
--------------------
  "B"  |  6  |  234
--------------------

如前所述，我使用pandas得到了这个结果，但是这个函数真的又长又复杂，执行起来也很慢。所以我确信使用 numpy 可以获得更好和最有效的算法。

你有什么想法吗？

提前致谢。

编辑

这是使用pandas获得预期结果的代码片段。 "Intel Core i7-6820 @ 2.70GHz" 处理器的执行时间约为 0.015 秒。

df = pd.DataFrame({'id': ['A', 'B', 'C', 'S', 'C', 'C', 'A', 'B', 'E', 'A', 'C', 'B', 'B', 'S', 'C', 'A', 'E', 'B'],
                   't': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18],
                   'v': [145, 543, 12, 1, 14, 553, 65, 657, 1, 32, 54, 22, 11, 1, 6, 22, 1, 4]})
print(df)
res = pd.DataFrame()
id = "id"
t = "t"
v = "v"
id_bit_start = "S"
id_bit_end = "E"

# taking only "S" and "E" from df (when their value is 1)
df_data_bit = df.loc[
    ((df[id] == id_bit_start) |
     (df[id] == id_bit_end)) &
    (df[v] == 1.0)
    ]

# do something only if at least one "S" is present
if id_bit_start in df_data_bit[id].values:
    # creating empty list of time windows
    t_windows = list()
    t_wind_temp = [None, None]

    # for each bit "S" or "E"
    for index, bit in df_data_bit.iterrows():
        # if it is a "S"
        if bit[id] == id_bit_start:
            # set the start of the time window
            t_wind_temp[0] = bit[t]
        # if it is a "E" and the "S" has already been processed
        elif t_wind_temp[0] is not None:
            # set the end of the time window
            t_wind_temp[1] = bit[t]
            # append the current time window to our list
            t_windows.append(t_wind_temp)
            # reset the current time window
            t_wind_temp = [None, None]

    # taking everything but "S" and "E"
    df_data = df.loc[
        ~((df[id] == id_bit_start) |
          (df[id] == id_bit_end))
    ]

    # for each created time window
    for t_window in t_windows:
        # take only data with timestamps between the time window
        result = df_data.loc[
            (df_data[t] >= t_window[0])
            &
            (df_data[t] <= t_window[1])
            ]
        # append to the final result
        res = pd.concat([res, result])

print(res)

Answer 1

这解决了您对 S 和 E 连续性的不确定性：
假设您的时间戳按升序排列：

import re

a = df.to_records(index=False)
idx = [m.span() for m in re.finditer('S[^{SE}]*?E', ''.join(a['id']))]
indexer = np.r_[tuple([np.s_[i+1:j-1] for (i,j) in idx])]
a_filtered = a[indexer]

解释:

快速计算这个有一些技巧：

将您的数据框转换为结构化数组
将所有id字符转换为字符串
查找 S.*?E 的非贪婪匹配（请注意，如果您的 ID 不是单个字母，您可以将 S 和 E 更改为任何子字符串）
获取您找到的子字符串的开始和结束索引
创建 4
使用 5

Numpy：如何在多对值之间提取 numpy 数组的行？

Numpy: how to extract rows of numpy array between multiple pairs of values?

python

arrays

numpy

pandas

structured-array