web-dev-qa-db-fra.com

pd.rolling_mean devient obsolète - alternatives pour ndarrays

Il semble que pd.rolling_mean soit obsolète pour ndarrays,

 pd.rolling_mean(x, window=2, center=False)

FutureWarning: pd.rolling_mean est obsolète pour ndarrays et sera supprimé dans une version ultérieure

mais cela semble être le moyen le plus rapide de le faire, selon cette SO réponse .

Existe-t-il maintenant de nouvelles manières de le faire directement avec SciPy ou NumPy aussi rapides que pd.rolling_mean?

pythonnumpypandasscipymean
14
saladi

EDIT - Malheureusement, il semble que la nouvelle méthode ne soit pas aussi rapide:

Nouvelle version des pandas:

In [1]: x = np.random.uniform(size=100)

In [2]: %timeit pd.rolling_mean(x, window=2)
1000 loops, best of 3: 240 µs per loop

In [3]: %timeit pd.Series(x).rolling(window=2).mean()
1000 loops, best of 3: 226 µs per loop

In [4]: pd.__version__
Out[4]: '0.18.0'

Ancienne version:

In [1]: x = np.random.uniform(size=100)

In [2]: %timeit pd.rolling_mean(x,window=2)
100000 loops, best of 3: 12.4 µs per loop

In [3]: pd.__version__
Out[3]: u'0.17.1'
9
saladi

Il semble que la nouvelle méthode utilise les méthodes de la classe DataFrame.rolling (je suppose que vous êtes censé la penser un peu comme un groupby): http://pandas.pydata.org/pandas-docs/version /0.18.0/whatsnew.html

par exemple.

x.rolling(window=2).mean()
4
maxymoo

essaye ça 

x.rolling(window=2, center=False).mean()
1
Pruce Uchiha

Je suggère scipy.ndimage.filters.uniform_filter1d like dans mon answer à la question liée. C'est aussi beaucoup plus rapide pour les grands tableaux:

import numpy as np
from scipy.ndimage.filters import uniform_filter1d
N = 1000
x = np.random.random(100000)

%timeit pd.rolling_mean(x, window=N)
__main__:257: FutureWarning: pd.rolling_mean is deprecated for ndarrays and will be removed in a future version
The slowest run took 84.55 times longer than the fastest. This could mean that an intermediate result is being cached.
1 loop, best of 3: 7.37 ms per loop

%timeit uniform_filter1d(x, size=N)
10000 loops, best of 3: 190 µs per loop
0
moi