快速numpy滚动_产品

Question

我需要rolling_product函数或expanding_product函数。

有各种pandas rolling_XXXX和expanding_XXXX功能，但我很惊讶地发现缺少的expanding_product()功能。

为了使事情正常，我一直在使用这种相当慢的替代方法

pd.expanding_apply(temp_col, lambda x : x.prod())

我的数组通常包含32,000个元素，因此这被证明是一个瓶颈。我很想尝试log()，cumsum()和exp()，但是我认为我应该在这里提出问题，因为可能会有更好的解决方案。

Answer 1

我有一个更快的机制，尽管您需要运行一些测试以查看准确性是否足够。

这是原始的exp / sum / log版本：

def rolling_prod1(xs, n):
    return np.exp(pd.rolling_sum(np.log(xs), n))

这是一个使用累积乘积，将其移过（用nans预先填充），然后将其重新分配出去的版本。

def rolling_prod2(xs, n):
    cxs = np.cumprod(xs)
    nans = np.empty(n)
    nans[:] = np.nan
    nans[n-1] = 1.
    a = np.concatenate((nans, cxs[:len(cxs)-n]))
    return cxs / a

对于此示例，两个函数返回相同的结果：

In [9]: xs
Out[9]: array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9.])

In [10]: rolling_prod1(xs, 3)
Out[10]: array([  nan,   nan,    6.,   24.,   60.,  120.,  210.,  336.,  504.])

In [11]: rolling_prod2(xs, 3)
Out[11]: array([  nan,   nan,    6.,   24.,   60.,  120.,  210.,  336.,  504.])

但是第二个版本要快得多：

In [12]: temp_col = np.random.rand(30000)

In [13]: %timeit rolling_prod1(temp_col, 3)
1000 loops, best of 3: 694 µs per loop

In [14]: %timeit rolling_prod2(temp_col, 3)
10000 loops, best of 3: 162 µs per loop