Skip to main content
 首页 » 编程设计

python之使用pandas模拟事件系统

2024年11月01日11tuyile006

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。