使用滚动窗口准确检测数据帧中具有重复值（同头同尾）的序列

Question

我有一个多熊猫数据框，每个数据框都有一个包含值的列，另一个具有相应的匹配时间。即： [z,x,y,n,z,z,x 等] [1.234, 2.4467, 2.999, 6.432, 9.6764 等]我想检测一个特定的模式（即 z,x,y,n,z）并创建一个新列，其中包含有关该值是否是序列一部分的信息（称为“seq_bool”，每个值的值为 True 或 False ）。然后看起来像这样：0    1    seq_boolz  1.234  Truex  2.4467 Truey  2.999  Truen  6.432  Truez  9.6764 Truex  10.111 Falsey  11.344 Falsez  12.33  Truex  14.33  Truey  15.66  Truen  19.198 Truez  20.222 True[...]然后我使用这些信息来计算相应时间点的一些统计数据，基本上只取序列的一部分值。我已经通过以下代码获得了这个，来自已经在 stackoverflow 上找到的解决方案    def rolling_window(a, window):    shape = a.shape[:-1] + (a.shape[-1] - window + 1, window)    strides = a.strides + (a.strides[-1],)    c = np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)    return carr = new_df[0].valuesb = np.all(rolling_window(arr, N) == sequence_pattern, axis=1)c = np.mgrid[0:len(b)][b]d = [i for x in c for i in range(x, x + N)]new_df['seq_bool'] = np.in1d(np.arange(len(arr)), d)我的问题是这不能准确识别序列，因为序列以相同的字符开始和结束（即 'z' ）具体来说，如果我的数据 [z, x, y, n, z, x, y, n, z] 中有以下值，该函数会识别出所有这些值都是序列的一部分（并且都是“真” ) 而事实上它们不是。只有一个正确的序列（即 [z, x, y, n, z]）。我对 python 有点陌生，我不知道如何解决这个问题。有没有办法指定，当找到一个序列时，输出必要的变量，然后丢弃它并前进到列中的下一个值？ 以免误将前一个正确序列（即z）的尾部作为新序列的开始。

Answer 1

在您已有的基础上，在使用它之前，您可以删除c与前一个值的距离小于 5 的所有值，确保在继续之前删除相关值。也就是说，如果c = np.array([0, 7, 11, 15])，我们将删除 11 但保留 15。

现在，您可以根据需要对其中的部分进行矢量化，但除此之外，您要查找的内容可以归结为

i = 0

while i < len(c)-1:

    if c[i+1] - c[i] < 5:

        c = np.delete(c, i+1)

    else:

        i += 1

Answer 2

我的方法是将其视为查找子字符串问题。如果你喜欢，看看这个：

word = ''.join(df['0'].values)

seq_bool = np.zeros(len(word)).astype(bool)

start = 0

while True:

    idx = word.find('zxynz', start)

    if idx < 0:

        break

    else:

        start = idx + 5

        seq_bool[idx:idx+5] =  True

df['seq_bool'] = seq_bool

编辑：

假设至少有一个已知永远不会出现在 中的字符df['0']，还有一种更短的方法：

假设T指标工作没问题：

word = ''.join(df['0'].values)

new_word = word.replace('zxynz', 'TTTTT')

df['seq_bool'] = np.array(list(new_word))=='T')