如何计算pandas系列中到前一个零的距离？

Question

我有以下 pandas 系列（以列表形式表示）：

[7,2,0,3,4,2,5,0,3,4]

我想定义一个新的系列，返回到最后一个零的距离。这意味着我想要以下输出：

[1,2,0,1,2,3,4,0,1,2]

如何在pandas中以最有效的方式做到这一点？

Answer 1

复杂度是

O(n)

。会减慢速度的是在 python 中执行

for

循环。如果序列中有

k

个零，并且

log k

与序列的长度相比可以忽略不计，则

O(n log k)

解决方案将是：

>>> izero = np.r_[-1, (ts == 0).nonzero()[0]]  # indices of zeros
>>> idx = np.arange(len(ts))
>>> idx - izero[np.searchsorted(izero - 1, idx) - 1]
array([1, 2, 0, 1, 2, 3, 4, 0, 1, 2])

Answer 2

Pandas 中的解决方案有点棘手，但可能看起来像这样（

s

是你的系列）：

>>> x = (s != 0).cumsum()
>>> y = x != x.shift()
>>> y.groupby((y != y.shift()).cumsum()).cumsum()
0    1
1    2
2    0
3    1
4    2
5    3
6    4
7    0
8    1
9    2
dtype: int64

最后一步，使用 Pandas 食谱中的“itertools.groupby”配方这里。

Answer 3

一个可能性能不高（尚未真正检查过）但在步骤方面更容易理解的解决方案（至少对我来说）是：

df = pd.DataFrame({'X': [7, 2, 0, 3, 4, 2, 5, 0, 3, 4]})
df

df['flag'] = np.where(df['X'] == 0, 0, 1)
df['cumsum'] = df['flag'].cumsum()
df['offset'] = df['cumsum']
df.loc[df.flag==1, 'offset'] = np.nan
df['offset'] = df['offset'].fillna(method='ffill').fillna(0).astype(int)
df['final'] = df['cumsum'] - df['offset']

df

Answer 4

有时会令人惊讶地看到使用 Cython 获得类似 C 的速度是多么简单。假设您的列的

.values

给出

arr

，那么：

cdef int[:, :, :] arr_view = arr
ret = np.zeros_like(arr)
cdef int[:, :, :] ret_view = ret

cdef int i, zero_count = 0
for i in range(len(ret)):
    zero_count = 0 if arr_view[i] == 0 else zero_count + 1
    ret_view[i] = zero_count

注意使用类型化内存视图，它的速度非常快。您可以使用

@cython.boundscheck(False)

装饰函数来进一步加快速度。

Answer 5

另一种选择

df = pd.DataFrame({'X': [7, 2, 0, 3, 4, 2, 5, 0, 3, 4]})
zeros = np.r_[-1, np.where(df.X == 0)[0]]

def d0(a):
    return np.min(a[a>=0])
    
df.index.to_series().apply(lambda i: d0(i - zeros))

或者使用纯numpy

df = pd.DataFrame({'X': [7, 2, 0, 3, 4, 2, 5, 0, 3, 4]})
a = np.arange(len(df))[:, None] - np.r_[-1 , np.where(df.X == 0)[0]][None]

np.min(a, where=a>=0, axis=1, initial=len(df))

Answer 6

使用 Numpy

accumulate

实现此目的的另一种方法。唯一的问题是，要将计数器初始化为零，您需要在系列值前面插入一个零。

import numpy as np

# Define Python function
f = lambda a, b: 0 if b == 0 else a + 1

# Convert to Numpy ufunc
npf = np.frompyfunc(f, 2, 1)

# Apply recursively over series values
x = npf.accumulate(np.r_[0, s.values])[1:]

print(x)

array([1, 2, 0, 1, 2, 3, 4, 0, 1, 2], dtype=object)

Answer 7

这里有一个不使用groupby的方法：

((v:=pd.Series([7,2,0,3,4,2,5,0,3,4]).ne(0))
.cumsum()
.where(v.eq(0)).ffill().fillna(0)
.rsub(v.cumsum())
.astype(int)
.tolist())

输出：

[1, 2, 0, 1, 2, 3, 4, 0, 1, 2]

Answer 8

也许 pandas 不是最好的工具，正如 @behzad.nouri 的答案，但是这里有另一种变体：

df = pd.DataFrame({'X': [7, 2, 0, 3, 4, 2, 5, 0, 3, 4]})

z = df.ne(0).X
z.groupby((z != z.shift()).cumsum()).cumsum()

0    1
1    2
2    0
3    1
4    2
5    3
6    4
7    0
8    1
9    2
Name: X, dtype: int64

解决方案2：

如果您编写以下代码，您将获得几乎您需要的所有内容，除了第一行从 0 而不是 1 开始：

df = pd.DataFrame({'X': [7, 2, 0, 3, 4, 2, 5, 0, 3, 4]})
df.eq(0).cumsum().groupby('X').cumcount()

0    0
1    1
2    0
3    1
4    2
5    3
6    4
7    0
8    1
9    2
dtype: int64

发生这种情况是因为累加和从 0 开始计数。为了得到想要的结果，我在第一行添加了 0，计算了所有内容，然后在末尾去掉 0，得到：

x = pd.Series([0], index=[0])
df = pd.concat([x, df])
df.eq(0).cumsum().groupby('X').cumcount().reset_index(drop=True).drop(0).reset_index(drop=True)

0    1
1    2
2    0
3    1
4    2
5    3
6    4
7    0
8    1
9    2
dtype: int64

Answer 9

s1=pd.Series([7,2,0,3,4,2,5,0,3,4])
k=(s1==0).idxmax() #get the idx of the first occurrence of 0
s1=(s1!=0).cumsum()
0    0
1    0
2    1
3    1
4    1
5    1
6    1
7    2
8    2
9    2
dtype: int64

grouped = s1.groupby(s1)
grouped=grouped.transform(lambda x:np.arange(x.size))
0    0
1    1
2    0
3    1
4    2
5    3
6    4
7    0
8    1
9    2
grouped[:k]=grouped[:k]+1
0    1
1    2
2    0
3    1
4    2
5    3
6    4
7    0
8    1
9    2
dtype: int64