我想在numpy数组中找到相同值的块的起始和停止索引,或者最好是pandas DataFrame(沿着列的列为2D数组,以及沿着n维数组的最快速变化的索引).我只在单个维度上查找块,并且不希望在不同的行上聚集nans.
从这个问题(Find large number of consecutive values fulfilling condition in a numpy array)开始,我编写了以下解决方案,为2D数组寻找np.nan:
import numpy as npa = np.array([ [1, np.nan, np.nan, 2], [np.nan, 1, np.nan, 3], [np.nan, np.nan, np.nan, np.nan] ])nan_mask = np.isnan(a)start_nans_mask = np.hstack((np.resize(nan_mask[:,0],(a.shape[0],1)), np.logical_and(np.logical_not(nan_mask[:,:-1]), nan_mask[:,1:]) ))stop_nans_mask = np.hstack((np.logical_and(nan_mask[:,:-1], np.logical_not(nan_mask[:,1:])), np.resize(nan_mask[:,-1], (a.shape[0],1)) ))start_row_idx,start_col_idx = np.where(start_nans_mask)stop_row_idx,stop_col_idx = np.where(stop_nans_mask)
这让我举例说明在应用pd.fillna之前分析缺失值的补丁长度的分布.
stop_col_idx - start_col_idx 1array([2, 1, 1, 4], dtype=int64)
还有一个例子和期待的结果:
a = np.array([ [1, np.nan, np.nan, 2], [np.nan, 1, np.nan, np.nan], [np.nan, np.nan, np.nan, np.nan] ])array([2, 1, 2, 4], dtype=int64)
并不是
array([2, 1, 6], dtype=int64)
我的问题如下:
>有没有办法优化我的解决方案(在一次掩码/操作中查找开始和结束)?
>熊猫中是否有更优化的解决方案? (即不仅仅是在DataFrame的值上应用mask / where的解决方案)
>当底层数组或DataFrame要大到适合内存时会发生什么?
解决方法:
我将你的np.array加载到一个数据帧中:
In [26]: dfOut[26]: 0 1 2 30 1 NaN NaN 21 NaN 1 NaN 22 NaN NaN NaN NaN
然后调换并将其变成一系列.我认为这类似于np.hstack:
In [28]: s = df.T.unstack(); sOut[28]:0 0 1 1 NaN 2 NaN 3 21 0 NaN 1 1 2 NaN 3 22 0 NaN 1 NaN 2 NaN 3 NaN
此表达式创建一个Series,其中数字表示每个非空值递增1的块:
In [29]: s.notnull().astype(int).cumsum()Out[29]:0 0 1 1 1 2 1 3 21 0 2 1 3 2 3 3 42 0 4 1 4 2 4 3 4
此表达式创建一个系列,其中每个nan为1,其他所有为零:
In [31]: s.isnull().astype(int)Out[31]:0 0 0 1 1 2 1 3 01 0 1 1 0 2 1 3 02 0 1 1 1 2 1 3 1
我们可以通过以下方式将两者结合起来,以实现您需要的计数:
In [32]: s.isnull().astype(int).groupby(s.notnull().astype(int).cumsum()).sum()Out[32]:1 22 13 14 4
来源:https://www.icode9.com/content-1-346651.html
联系客服