我想模拟一个系统,包括:
- 一个发射器,在 [0, 1000) 毫秒内随机产生 n 个事件
- 一个消费者以 f ms 的间隔对事件流进行均匀采样
- 一个消费者以 g ms 的间隔对事件流进行均匀采样
例如,f 在 5ms 采样,g 在 10ms 采样,序列可能如下所示:
0ms:f 个样本,g 个样本5 毫秒:f 个样本10ms:f 个样本,g 个样本12ms:事件到达13ms:事件到达15 毫秒:f 个样本20ms:f 个样本,g 个样本25ms f 样本27ms:事件到达30ms f 样本,g 样本35ms f 样本37ms:事件到达
对于每次发射,最接近(但晚于)事件时间的消费者“获胜”。如果出现平局,则应随机选择获胜者。例如,f 在 15ms 处的样本同时赢得了 12ms 和 13ms 事件。
我试图通过将时间线合并到一个索引上来实现这一点:
import numpy as np
import pandas as pd
f = np.arange(0, 40, 5)
g = np.arange(0, 40, 10)
events = [12, 13, 27, 37]
df = pd.concat([pd.Series(f, f), pd.Series(g, g), pd.Series(events, events)], axis=1)
这会产生这样的 DataFrame:
f g events
0 0 0 NaN
5 5 NaN NaN
10 10 10 NaN
12 NaN NaN 12
13 NaN NaN 13
15 15 NaN NaN
20 20 20 NaN
25 25 NaN NaN
27 NaN NaN 27
30 30 30 NaN
35 35 NaN NaN
37 NaN NaN 37
我一直在四处寻找针对以下汇总的各种操作的赢家:
In [103]: pd.expanding_max(df)
f g events
0 0 0 NaN
5 5 0 NaN
10 10 10 NaN
12 10 10 12
13 10 10 13
15 15 10 13
20 20 20 13
25 25 20 13
27 25 20 27
30 30 30 27
35 35 30 27
37 35 30 37
...但一直很难找到一种类似于 Pandas 的方式来做到这一点。
我觉得非常接近以下内容:
In [141]: x = pd.expanding_min(df.sort(ascending=False))
gx = x.groupby('events')
print gx.max()
events
12 15 20
13 15 20
27 30 30
37 35 30
有什么想法吗?
请您参考如下方法:
使用 bfill 在“f”和“g”列中向后填充 NaN:
import numpy as np
import pandas as pd
f = np.arange(0, 40, 5)
g = np.arange(0, 40, 10)
events = [12, 13, 27, 37]
df = pd.concat([pd.Series(f, f), pd.Series(g, g), pd.Series(events, events)], axis=1)
df.columns = "f", "g", "event"
df[["f", "g"]] = df[["f", "g"]].bfill()
df2 = df.dropna()
print df2
这是输出:
f g event
12 15 20 12
13 15 20 13
27 30 30 27
然后我们可以比较f和g:
print np.sign(df2.f - df2.g).replace({-1:"f", 1:"g", 0:"fg"})
输出是:
12 f
13 f
27 fg
dtype: object
这意味着 12 和 13 处的事件由“f”获取,而 27 处的事件应随机选择。
