我有一個資料框如下

┌────────────┬──────────┬──────────┬──────────┬──────────┐
│ time       ┆ open     ┆ high     ┆ low      ┆ close    │
│ ---        ┆ ---      ┆ ---      ┆ ---      ┆ ---      │
│ i64        ┆ f64      ┆ f64      ┆ f64      ┆ f64      │
╞════════════╪══════════╪══════════╪══════════╪══════════╡
│ 1649016000 ┆ 46405.49 ┆ 47444.11 ┆ 46248.84 ┆ 46407.35 │
├????????????┼??????????┼??????????┼??????????┼??????????┤
│ 1649030400 ┆ 46407.36 ┆ 46461.14 ┆ 45744.77 ┆ 46005.44 │
├????????????┼??????????┼??????????┼??????????┼??????????┤
│ 1649044800 ┆ 46005.43 ┆ 46293.38 ┆ 45834.39 ┆ 46173.99 │
├????????????┼??????????┼??????????┼??????????┼??????????┤
│ 1649059200 ┆ 46174.0  ┆ 46287.97 ┆ 45787.0  ┆ 46160.09 │
├????????????┼??????????┼??????????┼??????????┼??????????┤
│ ...        ┆ ...      ┆ ...      ┆ ...      ┆ ...      │
├????????????┼??????????┼??????????┼??????????┼??????????┤
│ 1653278400 ┆ 30171.32 ┆ 30670.51 ┆ 30101.07 ┆ 30457.01 │
├????????????┼??????????┼??????????┼??????????┼??????????┤
│ 1653292800 ┆ 30457.01 ┆ 30616.18 ┆ 30281.89 ┆ 30397.11 │
├????????????┼??????????┼??????????┼??????????┼??????????┤
│ 1653307200 ┆ 30397.12 ┆ 30625.98 ┆ 29967.07 ┆ 30373.53 │
├????????????┼??????????┼??????????┼??????????┼??????????┤
│ 1653321600 ┆ 30373.53 ┆ 30529.9  ┆ 30042.09 ┆ 30121.02 │
└────────────┴──────────┴──────────┴──────────┴──────────┘

我想計算每個價格（低和高）在 2 到 50 的視窗范圍內是區域最小值/最大值的次數。

首先，我為每行添加兩列作為本地最小值/最大值的計數，并用零填充

raw_data["lmin_count"] = np.zeros(len(raw_data), dtype=np.int16)
raw_data["lmax_count"] = np.zeros(len(raw_data), dtype=np.int16)

然后我將視窗長度從 2 迭代到 50，并使用以下方法找到每個區域最小值/最大值的索引：

for _order in range(2, 51):
    local_minima = argrelextrema(raw_data["low"].to_numpy(), np.less, order=_order)[0]
    local_maxima = argrelextrema(raw_data["high"].to_numpy(), np.greater, order=_order)[0]

這order是視窗長度。

并且在視窗長度的每次迭代中，我想通過在中找到的索引來增加lmin_count和的值，我嘗試通過以下代碼增加值：lmax_countlocal_minimalocal_maxima

if len(local_minima) > 1:
    raw_data[local_minima,5]  = 1
if len(local_maxima) > 1:
    raw_data[local_minima,6]  = 1

其中local_minima和local_maxima是索引陣列，5,6是lmin_count和lmax_count列的索引。

但有錯誤not implemented。

那么逐行索引增加（或分配）值的最佳方法是什么？

更新 2022/05/24

由于答案非常有幫助，現在我還有其他問題。我改變了我的代碼如下：

min_expr_list = [
    (
        pl.col("price").rolling_min(
            window_size=_order * 2   1, min_periods=_order   2, center=True
        )
        == pl.col("price")
    ).cast(pl.UInt32)
    for _order in range(200, 1001)
]

max_expr_list = [
    (
        pl.col("price").rolling_max(
            window_size=_order * 2   1, min_periods=_order   2, center=True
        )
        == pl.col("price")
    ).cast(pl.UInt32)
    for _order in range(200, 1001)
]
raw_data = raw_data.with_columns(
    [
        pl.sum(min_expr_list).alias("min_freq"),
        pl.sum(max_expr_list).alias("max_freq"),
    ]
)

第一：是否可以將兩者合并min_expr_list到max_expr_list一個串列中？如果可能的話，在with_columns運算式中如何根據串列的每個元素添加單獨的列？

我面臨的另一個問題是這種方法的記憶體使用。在前面的示例_order中是有限的，但實際上它比示例更廣泛。

目前我有數百萬條記錄的資料集（其中一些記錄超過 1000 萬條），_orders范圍可以從 2 到 1500，因此計算需要大量 GB 的記憶體。

有沒有更好的方法來做到這一點？

還有一個側面問題。當增加到_order超過 1000 時，它似乎不起作用。源代碼有什么限制嗎？

uj5u.com熱心網友回復：

你撰寫了非常命令式的代碼，這并不是真正地道的極地。您通常甚至不應該知道值的索引在哪里。相反，您分配 by conditions，例如使用when(condition) -> then(value) -> otherwise(value)運算式。

您在 a 中的條件when仍然可以參考索引。例如，這個片段等于分配給一個特定的索引，但寫得更實用：

pl.DataFrame({
    "letters": ["a", "b", "c", "d"]
}).with_column(
    # use a condition to determine the index location
    pl.when(pl.arange(0, pl.count()) == 2)
      .then("idx_2")
      .otherwise("letters").alias("letters")
)

shape: (4, 1)
┌─────────┐
│ letters │
│ ---     │
│ str     │
╞═════════╡
│ letters │
├?????????┤
│ letters │
├?????????┤
│ idx_2   │
├?????????┤
│ letters │
└─────────┘

您的意圖，計算區域最小值/最大值

為了在您的事業中為您提供幫助，我想向您展示如何以慣用的極地方式找到當地的最小值。

區域最小值/最大值可以通過以下方式找到：

取dy/dx函式的導數x。
計算sign那個導數告訴我們函式斜率在哪里增加和減少。
如果我們取符號的導數，dy/dx我們就知道符號在哪里變化，因此我們在哪里有區域最小值/最大值。

讓我們在一個 dummy 上試試這個DataFrame。

df = pl.DataFrame({
    "x": [8, 4, 2, 7, 9, 6, 3, 0]
})

# find the local minima/maxima
df = df.with_columns([
    (pl.col("x").diff().sign().diff().shift(-1) == -2).alias("local_maximum"),
    (pl.col("x").diff().sign().diff().shift(-1) == 2).alias("local_minimum")
])
print(df)

shape: (8, 3)
┌─────┬───────────────┬───────────────┐
│ x   ┆ local_maximum ┆ local_minimum │
│ --- ┆ ---           ┆ ---           │
│ i64 ┆ bool          ┆ bool          │
╞═════╪═══════════════╪═══════════════╡
│ 8   ┆ false         ┆ false         │
├?????┼???????????????┼???????????????┤
│ 4   ┆ false         ┆ false         │
├?????┼???????????????┼???????????????┤
│ 2   ┆ false         ┆ true          │
├?????┼???????????????┼???????????????┤
│ 7   ┆ false         ┆ false         │
├?????┼???????????????┼???????????????┤
│ 9   ┆ true          ┆ false         │
├?????┼???????????????┼???????????????┤
│ 6   ┆ false         ┆ false         │
├?????┼???????????????┼???????????????┤
│ 3   ┆ false         ┆ false         │
├?????┼???????????????┼???????????????┤
│ 0   ┆ false         ┆ false         │
└─────┴───────────────┴───────────────┘

接下來我們可以用cumulative sum來計算總看到的區域最小值和最大值。

df.with_columns([
    pl.col("local_maximum").cumsum().alias("local_max_count"),
    pl.col("local_minimum").cumsum().alias("local_min_count")
])

shape: (8, 5)
┌─────┬───────────────┬───────────────┬─────────────────┬─────────────────┐
│ x   ┆ local_maximum ┆ local_minimum ┆ local_max_count ┆ local_min_count │
│ --- ┆ ---           ┆ ---           ┆ ---             ┆ ---             │
│ i64 ┆ bool          ┆ bool          ┆ u32             ┆ u32             │
╞═════╪═══════════════╪═══════════════╪═════════════════╪═════════════════╡
│ 8   ┆ false         ┆ false         ┆ 0               ┆ 0               │
├?????┼???????????????┼???????????????┼?????????????????┼?????????????????┤
│ 4   ┆ false         ┆ false         ┆ 0               ┆ 0               │
├?????┼???????????????┼???????????????┼?????????????????┼?????????????????┤
│ 2   ┆ false         ┆ true          ┆ 0               ┆ 1               │
├?????┼???????????????┼???????????????┼?????????????????┼?????????????????┤
│ 7   ┆ false         ┆ false         ┆ 0               ┆ 1               │
├?????┼???????????????┼???????????????┼?????????????????┼?????????????????┤
│ 9   ┆ true          ┆ false         ┆ 1               ┆ 1               │
├?????┼???????????????┼???????????????┼?????????????????┼?????????????????┤
│ 6   ┆ false         ┆ false         ┆ 1               ┆ 1               │
├?????┼???????????????┼???????????????┼?????????????????┼?????????????????┤
│ 3   ┆ false         ┆ false         ┆ 1               ┆ 1               │
├?????┼???????????????┼???????????????┼?????????????????┼?????????????????┤
│ 0   ┆ false         ┆ false         ┆ 1               ┆ 1               │
└─────┴───────────────┴───────────────┴─────────────────┴─────────────────┘

我希望這有助于將您推向正確的方向。

uj5u.com熱心網友回復：

讓我看看我們是否可以在@ritchie46 回應的基礎上進一步推動您接近終點線。

資料

我在您的示例資料中連接了“開放”、“高”和“低”列，只是為了給我們一些資料來處理。我還添加了一個row_nr專欄，僅供討論。（它不會用于任何計算，因此您無需將其包含在最終代碼中。）

import numpy as np
import polars as pl
from scipy.signal import argrelextrema

df = pl.DataFrame(
    {
        "col1": [
            46405.49, 46407.36, 46005.43, 46174.00, 30171.32, 30457.01, 30397.12, 30373.53,
            47444.11, 46461.14, 46293.38, 46287.97, 30670.51, 30616.18, 30625.98, 30529.90,
            46248.84, 45744.77, 45834.39, 45787.00, 30101.07, 30281.89, 29967.07, 30042.09,
        ]
    }
).with_row_count()
df

shape: (24, 2)
┌────────┬──────────┐
│ row_nr ┆ col1     │
│ ---    ┆ ---      │
│ u32    ┆ f64      │
╞════════╪══════════╡
│ 0      ┆ 46405.49 │
├????????┼??????????┤
│ 1      ┆ 46407.36 │
├????????┼??????????┤
│ 2      ┆ 46005.43 │
├????????┼??????????┤
│ 3      ┆ 46174.0  │
├????????┼??????????┤
│ 4      ┆ 30171.32 │
├????????┼??????????┤
│ 5      ┆ 30457.01 │
├????????┼??????????┤
│ 6      ┆ 30397.12 │
├????????┼??????????┤
│ 7      ┆ 30373.53 │
├????????┼??????????┤
│ 8      ┆ 47444.11 │
├????????┼??????????┤
│ 9      ┆ 46461.14 │
├????????┼??????????┤
│ 10     ┆ 46293.38 │
├????????┼??????????┤
│ 11     ┆ 46287.97 │
├????????┼??????????┤
│ 12     ┆ 30670.51 │
├????????┼??????????┤
│ 13     ┆ 30616.18 │
├????????┼??????????┤
│ 14     ┆ 30625.98 │
├????????┼??????????┤
│ 15     ┆ 30529.9  │
├????????┼??????????┤
│ 16     ┆ 46248.84 │
├????????┼??????????┤
│ 17     ┆ 45744.77 │
├????????┼??????????┤
│ 18     ┆ 45834.39 │
├????????┼??????????┤
│ 19     ┆ 45787.0  │
├????????┼??????????┤
│ 20     ┆ 30101.07 │
├????????┼??????????┤
│ 21     ┆ 30281.89 │
├????????┼??????????┤
│ 22     ┆ 29967.07 │
├????????┼??????????┤
│ 23     ┆ 30042.09 │
└────────┴──────────┘

現在，讓我們scipy.signal.argrelextrema在這些資料上運行代碼。

for _order in range(1, 7):
    print(
        "order:", _order, ":", argrelextrema(df["col1"].to_numpy(), np.less, order=_order)
    )

order: 1 : (array([ 2,  4,  7, 13, 15, 17, 20, 22]),)
order: 2 : (array([ 4,  7, 15, 22]),)
order: 3 : (array([ 4, 15, 22]),)
order: 4 : (array([ 4, 15, 22]),)
order: 5 : (array([ 4, 22]),)
order: 6 : (array([ 4, 22]),)

從輸出中，您似乎正在嘗試查找任何行的索引，該索引是以該行為中心的視窗的最小值，適用于各種視窗大小。

例如，row_nr2 是大小為 3 的視窗的區域最小值，以row_nr2 為中心。（這里，order=1在呼叫中的argrelextrema意思是“包括一個上下一個值”，因此“視窗大小”= (order * 2) 1 ) = 3。

讓我們在 Polars 中復制它。我們將逐步進行。

`rolling_min`

首先，讓我們使用rolling_min運算式來計算對應于從 1 到 6 的滾動最小值。請注意，Polars 允許我們在背景關系order之外生成運算式串列。with_columns（這通常有助于使代碼更具可讀性。）

我正在將 scipyorder關鍵字轉換window_size為rolling_min. 另外，我設定min_periods以確保在任何視窗的中心值的每一側至少有一個值（以復制 scipy 計算）。

expr_list = [
        pl.col("col1").rolling_min(
            window_size=_order * 2   1,
            min_periods=_order   2,
            center=True
        ).alias("roll_min"   str(_order))
    for _order in range(1, 7)
]
df.with_columns(expr_list)

shape: (24, 8)
┌────────┬──────────┬───────────┬───────────┬───────────┬───────────┬───────────┬───────────┐
│ row_nr ┆ col1     ┆ roll_min1 ┆ roll_min2 ┆ roll_min3 ┆ roll_min4 ┆ roll_min5 ┆ roll_min6 │
│ ---    ┆ ---      ┆ ---       ┆ ---       ┆ ---       ┆ ---       ┆ ---       ┆ ---       │
│ u32    ┆ f64      ┆ f64       ┆ f64       ┆ f64       ┆ f64       ┆ f64       ┆ f64       │
╞════════╪══════════╪═══════════╪═══════════╪═══════════╪═══════════╪═══════════╪═══════════╡
│ 0      ┆ 46405.49 ┆ null      ┆ null      ┆ null      ┆ null      ┆ null      ┆ null      │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 1      ┆ 46407.36 ┆ 46005.43  ┆ 46005.43  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 2      ┆ 46005.43 ┆ 46005.43  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 3      ┆ 46174.0  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 4      ┆ 30171.32 ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 5      ┆ 30457.01 ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 6      ┆ 30397.12 ┆ 30373.53  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 7      ┆ 30373.53 ┆ 30373.53  ┆ 30373.53  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 8      ┆ 47444.11 ┆ 30373.53  ┆ 30373.53  ┆ 30373.53  ┆ 30171.32  ┆ 30171.32  ┆ 30171.32  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 9      ┆ 46461.14 ┆ 46293.38  ┆ 30373.53  ┆ 30373.53  ┆ 30373.53  ┆ 30171.32  ┆ 30171.32  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 10     ┆ 46293.38 ┆ 46287.97  ┆ 30670.51  ┆ 30373.53  ┆ 30373.53  ┆ 30373.53  ┆ 30171.32  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 11     ┆ 46287.97 ┆ 30670.51  ┆ 30616.18  ┆ 30616.18  ┆ 30373.53  ┆ 30373.53  ┆ 30373.53  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 12     ┆ 30670.51 ┆ 30616.18  ┆ 30616.18  ┆ 30529.9   ┆ 30529.9   ┆ 30373.53  ┆ 30373.53  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 13     ┆ 30616.18 ┆ 30616.18  ┆ 30529.9   ┆ 30529.9   ┆ 30529.9   ┆ 30529.9   ┆ 30373.53  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 14     ┆ 30625.98 ┆ 30529.9   ┆ 30529.9   ┆ 30529.9   ┆ 30529.9   ┆ 30529.9   ┆ 30101.07  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 15     ┆ 30529.9  ┆ 30529.9   ┆ 30529.9   ┆ 30529.9   ┆ 30529.9   ┆ 30101.07  ┆ 30101.07  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 16     ┆ 46248.84 ┆ 30529.9   ┆ 30529.9   ┆ 30529.9   ┆ 30101.07  ┆ 30101.07  ┆ 29967.07  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 17     ┆ 45744.77 ┆ 45744.77  ┆ 30529.9   ┆ 30101.07  ┆ 30101.07  ┆ 29967.07  ┆ 29967.07  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 18     ┆ 45834.39 ┆ 45744.77  ┆ 30101.07  ┆ 30101.07  ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 19     ┆ 45787.0  ┆ 30101.07  ┆ 30101.07  ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 20     ┆ 30101.07 ┆ 30101.07  ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 21     ┆ 30281.89 ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 22     ┆ 29967.07 ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  ┆ 29967.07  │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 23     ┆ 30042.09 ┆ null      ┆ null      ┆ null      ┆ null      ┆ null      ┆ null      │
└────────┴──────────┴───────────┴───────────┴───────────┴───────────┴───────────┴───────────┘

查看中的輸出roll_min_1（相當于對的order=1呼叫argrelextrema），我們看到中的值roll_min_1 等于 2、4、7、13、15、17、20、22 中的值col1……row_nr這完全對應于argrelextrema為order=1. 同樣，對于其他roll_min_X列。我們將在下一步中使用這個事實。

獲取行索引

正如@ritchie46 指出的那樣，在 Polars 中，我們使用條件（不是索引）。我們將修改上面的代碼，以確定col1每個視窗大小的值是否等于滾動最小值。

expr_list = [
    (
        pl.col("col1").rolling_min(
            window_size=_order * 2   1,
            min_periods=_order   2,
            center=True
        )
        == pl.col("col1")
    ).alias("min_idx_"   str(_order))
    for _order in range(1, 7)
]
df.with_columns(expr_list)

shape: (24, 8)
┌────────┬──────────┬───────────┬───────────┬───────────┬───────────┬───────────┬───────────┐
│ row_nr ┆ col1     ┆ min_idx_1 ┆ min_idx_2 ┆ min_idx_3 ┆ min_idx_4 ┆ min_idx_5 ┆ min_idx_6 │
│ ---    ┆ ---      ┆ ---       ┆ ---       ┆ ---       ┆ ---       ┆ ---       ┆ ---       │
│ u32    ┆ f64      ┆ bool      ┆ bool      ┆ bool      ┆ bool      ┆ bool      ┆ bool      │
╞════════╪══════════╪═══════════╪═══════════╪═══════════╪═══════════╪═══════════╪═══════════╡
│ 0      ┆ 46405.49 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 1      ┆ 46407.36 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 2      ┆ 46005.43 ┆ true      ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 3      ┆ 46174.0  ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 4      ┆ 30171.32 ┆ true      ┆ true      ┆ true      ┆ true      ┆ true      ┆ true      │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 5      ┆ 30457.01 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 6      ┆ 30397.12 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 7      ┆ 30373.53 ┆ true      ┆ true      ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 8      ┆ 47444.11 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 9      ┆ 46461.14 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 10     ┆ 46293.38 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 11     ┆ 46287.97 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 12     ┆ 30670.51 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 13     ┆ 30616.18 ┆ true      ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 14     ┆ 30625.98 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 15     ┆ 30529.9  ┆ true      ┆ true      ┆ true      ┆ true      ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 16     ┆ 46248.84 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 17     ┆ 45744.77 ┆ true      ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 18     ┆ 45834.39 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 19     ┆ 45787.0  ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 20     ┆ 30101.07 ┆ true      ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 21     ┆ 30281.89 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 22     ┆ 29967.07 ┆ true      ┆ true      ┆ true      ┆ true      ┆ true      ┆ true      │
├????????┼??????????┼???????????┼???????????┼???????????┼???????????┼???????????┼???????????┤
│ 23     ┆ 30042.09 ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     ┆ false     │
└────────┴──────────┴───────────┴───────────┴───────────┴───────────┴───────────┴───────────┘

請注意，對于min_idx_1，對于 2、4、7、13、15、17、20、22，這些值都為真row_nr，這對應于argrelextremafor的輸出order=1。同樣，對于其他列。

求和

我們現在可以使用該cast函式和該polars.sum函式對我們的列進行逐行求和。（事實上??，我們不會保留滾動的最小列——我們只會保留總和）。

expr_list = [
    (
        pl.col("col1").rolling_min(
            window_size=_order * 2   1,
            min_periods=_order   2,
            center=True
        )
        == pl.col("col1")
    ).cast(pl.UInt32)
    for _order in range(1, 7)
]
df.with_columns(pl.sum(expr_list).alias("min_freq"))

┌────────┬──────────┬──────────┐
│ row_nr ┆ col1     ┆ min_freq │
│ ---    ┆ ---      ┆ ---      │
│ u32    ┆ f64      ┆ u32      │
╞════════╪══════════╪══════════╡
│ 0      ┆ 46405.49 ┆ 0        │
├????????┼??????????┼??????????┤
│ 1      ┆ 46407.36 ┆ 0        │
├????????┼??????????┼??????????┤
│ 2      ┆ 46005.43 ┆ 1        │
├????????┼??????????┼??????????┤
│ 3      ┆ 46174.0  ┆ 0        │
├????????┼??????????┼??????????┤
│ 4      ┆ 30171.32 ┆ 6        │
├????????┼??????????┼??????????┤
│ 5      ┆ 30457.01 ┆ 0        │
├????????┼??????????┼??????????┤
│ 6      ┆ 30397.12 ┆ 0        │
├????????┼??????????┼??????????┤
│ 7      ┆ 30373.53 ┆ 2        │
├????????┼??????????┼??????????┤
│ 8      ┆ 47444.11 ┆ 0        │
├????????┼??????????┼??????????┤
│ 9      ┆ 46461.14 ┆ 0        │
├????????┼??????????┼??????????┤
│ 10     ┆ 46293.38 ┆ 0        │
├????????┼??????????┼??????????┤
│ 11     ┆ 46287.97 ┆ 0        │
├????????┼??????????┼??????????┤
│ 12     ┆ 30670.51 ┆ 0        │
├????????┼??????????┼??????????┤
│ 13     ┆ 30616.18 ┆ 1        │
├????????┼??????????┼??????????┤
│ 14     ┆ 30625.98 ┆ 0        │
├????????┼??????????┼??????????┤
│ 15     ┆ 30529.9  ┆ 4        │
├????????┼??????????┼??????????┤
│ 16     ┆ 46248.84 ┆ 0        │
├????????┼??????????┼??????????┤
│ 17     ┆ 45744.77 ┆ 1        │
├????????┼??????????┼??????????┤
│ 18     ┆ 45834.39 ┆ 0        │
├????????┼??????????┼??????????┤
│ 19     ┆ 45787.0  ┆ 0        │
├????????┼??????????┼??????????┤
│ 20     ┆ 30101.07 ┆ 1        │
├????????┼??????????┼??????????┤
│ 21     ┆ 30281.89 ┆ 0        │
├????????┼??????????┼??????????┤
│ 22     ┆ 29967.07 ┆ 6        │
├????????┼??????????┼??????????┤
│ 23     ┆ 30042.09 ┆ 0        │
└────────┴──────────┴──────────┘

我相信這是您希望獲得的結果。

從這里開始，我認為您可以擴展上面的代碼以獲得滾動最大值。

領帶

此代碼和代碼之間的一個區別argrelextrema與關系有關。如果兩個值在任何視窗中的最小值相同，則argrelextrema認為兩者都不是視窗的最小值。上面的代碼認為兩者都是最小值。

我不確定這對于您擁有的視窗大小或資料型別的可能性有多大。

請將 Polars 更新為`0.13.38`

Polars 的最新版本包含對滾動功能性能的一些重大改進。（該公告在此Twitter 執行緒上。）您將希望通過更新到最新版本來利用這一點。

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/481087.html

標籤：Python 麻木的蟒蛇极地

上一篇：AttributeError：“求解器”物件在實作類求解器ODE中沒有屬性“方法”

下一篇：go程式添加遠程呼叫tcpdump功能

如何按索引增加polars資料框列的值

更新 2022/05/24

您的意圖，計算區域最小值/最大值

資料

rolling_min

獲取行索引

求和

領帶

請將 Polars 更新為0.13.38

`rolling_min`

請將 Polars 更新為`0.13.38`