熊貓時間序列數據框中的邏輯元素操作

Question

我有一個帶有時間戳日期時間索引和對應於每個日期的值的pandas DataFrame。例如，df = pd.DataFrame(['0.11', '0.07', '0.04', '-0.11', '-0.04', '0.08', '0.1'], index=['2017-01-01', '2017-01-02', '2017-01-03', '2017-01-04', '2017-01-05', '2017-01-06', '2017-01-07'], columns=['values'])。

我想創建一個額外的列（我們稱之爲'new_value'）基於上述數據框的當前和歷史值。

邏輯應該是：

1. 如果一個值大於或等於0.1， 'NEW_VALUE' 應設置 爲-1，
2. 一次 'NEW_VALUE' 被設置爲-1，它應保持-1直到一個值 小於或等於0.05被登記時，
3. 如果一個值小於或等於-0.1，「NEW_VALUE」應設置 到1，
4. 一次「NEW_VALUE '設置爲+1，它應該保持+1直到一個值 大於或等於-0.05註冊，
5. 否則「NEW_VALUE」等於0

我曾嘗試多種解決方案，但似乎無法來解決這個問題。例如，

new_frame = pd.DataFrame(np.zeros(len(df.index),index=df.index,columns=['new_value']) 
for date in df.index: 
    if df['value'][date.strftime('%Y-%m-%d')] > 0.1: 
     new_frame.set_value(date.strftime("%Y-%m-%d"),'new_value',-1) 

但我收到的錯誤：'ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all().'

如果我再更改第三行：

if df['value'][date.strftime('%Y-%m-%d').item() > 0.1: 

我收到的錯誤：'ValueError: can only convert an array of size 1 to a Python scalar'

Answer 1

numpy.searchsorted

s = df['values'].astype(float) 
al = np.array([-.1, -.05]) 
bl = np.array([1, np.nan, 0]) 
ar = np.array([.05, .1]) 
br = np.array([0, np.nan, -1]) 
l = bl[al.searchsorted(s.values)] 
r = br[ar.searchsorted(s.values, side='right')] 

df.assign(new_values=pd.Series(l + r, s.index).ffill()) 

      values new_values 
2017-01-01 0.11  -1.0 
2017-01-02 0.07  -1.0 
2017-01-03 0.04   0.0 
2017-01-04 -0.11   1.0 
2017-01-05 -0.04   0.0 
2017-01-06 0.08   0.0 
2017-01-07 0.1  -1.0 

它是如何工作

• 需要得到的只是一系列的花車，將其命名爲s
• 設立左側斷點al
• 設立左側映射值bl
• 集up right side breakpoints ar
• 設置右側映射值br
• searchsorted會發現，價值應該放在前
• 使用指數從searchsorted尋找右側值時標識映射值
• 指數，我再次使用side='right'
• 映射值。
• 添加左右結果。 nan +的值將是nan
• ffill向前傳播值。

---

設置
假設由OP

df = pd.DataFrame(
    ['0.11', '0.07', '0.04', '-0.11', 
    '-0.04', '0.08', '0.1'], 
    ['2017-01-01', '2017-01-02', 
    '2017-01-03', '2017-01-04', 
    '2017-01-05', '2017-01-06', 
    '2017-01-07'], 
    ['values'] 
) 

      values 
2017-01-01 0.11 
2017-01-02 0.07 
2017-01-03 0.04 
2017-01-04 -0.11 
2017-01-05 -0.04 
2017-01-06 0.08 
2017-01-07 0.1