本文将介绍一种使用 Pandas 库中的 groupby.rolling 函数，根据连续时间段内的状态列高效生成标志位的教程。该方法避免了低效的循环操作，特别适用于处理包含大量数据（例如，数百万行）的数据集。通过示例代码和详细解释，读者将能够理解并应用此技术，以优化数据处理流程。
问题背景
在数据分析中，经常需要根据一段时间内的状态变化来标记数据。例如，根据用户在过去 12 个月内的活跃状态来判断其是否为活跃用户。如果使用循环遍历每一行数据，效率会非常低下。本文将介绍如何使用 Pandas 的滚动窗口函数 groupby.rolling 来高效地解决这类问题。
使用 groupby.rolling 函数
groupby.rolling 函数允许我们对分组数据应用滚动窗口计算。结合 max() 函数，可以方便地判断在指定窗口期内是否存在满足条件的状态。
示例数据
假设我们有以下 Pandas DataFrame：
import pandas as pd
data = {'ID': ['A'] * 13,
'Period': ['2020-10-28', '2020-11-28', '2020-12-28', '2021-01-28', '2021-02-28', '2021-03-28',
'2021-04-28', '2021-05-28', '2021-06-28', '2021-07-28', '2021-08-28', '2021-09-28',
'2021-10-28'],
'status': [0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0]}
df = pd.DataFrame(data)
print(df)解决方案
以下代码展示了如何使用 groupby.rolling 函数生成标志位：
import pandas as pd
data = {'ID': ['A'] * 13,
'Period': ['2020-10-28', '2020-11-28', '2020-12-28', '2021-01-28', '2021-02-28', '2021-03-28',
'2021-04-28', '2021-05-28', '2021-06-28', '2021-07-28', '2021-08-28', '2021-09-28',
'2021-10-28'],
'status': [0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0]}
df = pd.DataFrame(data)
df['Flag'] = (df
.assign(Period=pd.to_datetime(df['Period']).dt.to_period('M'))
[::-1]
.groupby('ID').rolling(12, on='Period', min_periods=1)
['status'].max()[::-1].to_numpy()
)
print(df)代码解释：
- df.assign(Period=pd.to_datetime(df['Period']).dt.to_period('M')): 将 'Period' 列转换为 Pandas Period 类型，精度为月。这是使用滚动窗口的必要步骤。
- [::-1]: 反转 DataFrame 的顺序。 这是因为我们希望从最早的日期开始计算滚动窗口，以便确定未来 12 个月内是否存在状态为 1 的情况。
- groupby('ID').rolling(12, on='Period', min_periods=1): 按 'ID' 列分组，并创建一个滚动窗口，窗口大小为 12 个月。min_periods=1 确保即使窗口内的数据点少于 12 个月，也会进行计算。
- ['status'].max(): 计算每个滚动窗口内 'status' 列的最大值。如果窗口内存在任何一个状态为 1，则最大值为 1，否则为 0。
- [::-1].to_numpy(): 再次反转结果顺序，使其与原始 DataFrame 的顺序一致，并将结果转换为 NumPy 数组。
- df['Flag'] = ...: 将计算得到的标志位赋值给新的 'Flag' 列。
考虑仅前序期间
如果需要仅考虑当前期间之前的期间，可以使用以下代码：
import pandas as pd
data = {'ID': ['A'] * 13,
'Period': ['2020-10-28', '2020-11-28', '2020-12-28', '2021-01-28', '2021-02-28', '2021-03-28',
'2021-04-28', '2021-05-28', '2021-06-28', '2021-07-28', '2021-08-28', '2021-09-28',
'2021-10-28'],
'status': [0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0]}
df = pd.DataFrame(data)
df['Flag'] = (df
.assign(Period=pd.to_datetime(df['Period']).dt.to_period('M'))
.set_index('Period')
[::-1]
.groupby('ID')['status']
.transform(lambda g: g.rolling(12, min_periods=1)
.max().shift(fill_value=0)
)
.to_numpy()[::-1]
)
print(df)代码解释：
- .set_index('Period'): 将 'Period' 列设置为索引。
- .transform(lambda g: g.rolling(12, min_periods=1).max().shift(fill_value=0)): 使用 transform 函数对每个分组应用滚动窗口计算。shift(fill_value=0) 将结果向下移动一位，并用 0 填充缺失值，从而确保仅考虑前序期间。
总结
使用 Pandas 的 groupby.rolling 函数可以高效地生成基于连续时间段的状态标志。这种方法避免了低效的循环操作，特别适用于处理大规模数据集。通过将时间列转换为 Period 类型，并结合 max() 和 shift() 函数，可以灵活地实现各种状态标志的生成需求。在实际应用中，可以根据具体情况调整窗口大小和计算逻辑，以满足不同的业务需求。
