滚动时间值的分组百分位排名 window

Question

在这些示例数据中，用户在随机日期及时下订单某些随机值。我已经成功地实施了一种方法来计算关于同一用户最近 180 天的订单的每个值的百分位排名。

但是，对于较大的 n 值，最后 groupby 行代码运行非常慢（1M 行运行大约需要 1 分钟 30 秒）有没有人有关于如何改进计算时间的建议？

import pandas as pd
import numpy as np
from scipy.stats import percentileofscore

#percentile rank function
def rank(x, kind):
    return percentileofscore(x, score = x.iloc[-1], kind = kind)

#sample data
n = 10000
orders = pd.DataFrame({
    'user':np.random.randint(1, 100, size = n),
    'value':np.random.randn(n),
    'date':np.random.choice( pd.date_range('1/1/2019', periods=730,
                          freq='D'), n)
    })

orders_sort = orders.sort_values(by = ['user', 'date']).reset_index(drop =True)

#group by time window percentile rank - SLOW!
orders_sort.groupby('user')[['value', 'date']].rolling('180d', on = 'date').apply(lambda x: rank(x, kind = 'mean'))

               value       date
user
1    0     50.000000 2019-01-03
     1     75.000000 2019-01-10
     2     83.333333 2019-01-12
     3     87.500000 2019-01-17
     4     10.000000 2019-01-22
...              ...        ...
99   9995  19.565217 2020-11-23
     9996  64.583333 2020-11-26
     9997  39.583333 2020-12-04
     9998  54.000000 2020-12-05
     9999   6.000000 2020-12-12

[10000 rows x 2 columns]

Answer 1

你可以利用 apply 中的参数 raw=True 来传递一个 numpy 数组而不是 Series。您需要稍微更改函数以使用数组。

def rank_np(x, kind):
    return percentileofscore(x, score = x[-1], kind = kind) #no iloc as x is an array

然后就像你用参数 raw 做的那样：

orders_sort.groupby('user')[['value', 'date']]\
  .rolling('180d', on = 'date')\
  .apply(lambda x: rank_np(x, kind = 'mean'), raw=True) #see here

我在 n=10K 或 50K 时速度提高了 6.5 倍，不确定它在 n=1M 行时的表现如何

滚动时间值的分组百分位排名 window

Grouped percentile rank of value in rolling time window

python

percentile

pandas

rolling-computation

pandas-groupby