如何使用熊猫或Numpy计算离散时间序列的“倍增时间”？

Question

下面是一个数据集。每一行都是一个时间片。第一列是读数。第二个是多少个时间段前的读数是它的50%。我通过盯着它来手工计算它，所以数字并不完全正确。197 218 256 328     4413     4525     4646     4777     51159    41838    22417    23240    2.54257    34955    45752    5.56620    57738    5.58966    4.510402   5因此，假设我有一个数据帧，如下所示：df = pd.DataFrame({'val': [197,218,256,328,413,525,646,777,1159,1838,2417,3240,4257,4955,5752,6620,7738,8966,10402]})如何计算 df.倍增？我可以想象从最后开始，向后工作，每次扫描一个值的50%。但是有更好的方法。我认为这与Log2有关，但不知道该怎么做！

Answer 1

您是否正在将Covid-19感染时间加倍？

请仔细检查结果。

我忘了你正在使用熊猫，所以你可能需要这个：

y = df['val'].to_numpy()

这是第一次拍摄：

import numpy as np

from scipy.interpolate import interp1d

y = np.array([197, 218, 256, 328, 413,525, 646, 646, 777,

              1159, 1838, 2417, 3240, 4257, 4955, 4955,

              5752, 6620, 7738, 8966, 10402],

              dtype=float)

# get the deltas to check if there was no increase

# between two consecutive data points        

dy = np.diff(y)

# these are the places without increase

idx = np.argwhere(dy) #could also be np.where(dy == 0.0)[0]

y_fixed = y.copy()

# create the x axis, probably days 

x = np.arange(y.shape[0])

# Hack: increase the second identical value be a

# small amount so the interpolation works

# increase the indices by one to increment the second value

y_fixed[idx + 1] += 0.001

# you need scipy > 0.17 for extrapolation to work

f = interp1d(y_fixed, x, fill_value="extrapolate")

# there are the values you need?

y_half = y / 2.0

# get the according x values by interpolation

x_interp = f(y_half)

# delta between the current day and the date when

# the value was half

dbl = x - x_interp

# this already looks quite good, but double check!

print(dbl)

也许 x 轴需要移动。或者也许它毕竟是正确的。我明天会用新鲜的大脑来思考这个问题。

下图显示了两种算法，其中包含计算出的指数数据，其中两个位置设置为非递增值。

Answer 2

可能最终会看起来像这样。

ACCURACY = 0

cases = [197, 218, 256, 328, 413,525, 646, 646, 777,

          1159, 1838, 2417, 3240, 4257, 4955, 4955,

          5752, 6620, 7738, 8966, 10402]

doubling = []

for t in range(len(cases)):

    found = False

    for t_2 in range(t):

        if cases[t_2] - (cases[t] // 2) > ACCURACY:

            doubling.append(t - t_2)

            found = True

            break

    # Append nothing if value not found

    if not found:

        doubling.append(None)

Answer 3

我正在处理这些数据。这是一个老派的解决方案。我跟踪了您的解决方案，但无法完全遵循它。但是我的不是那么优雅，但我认为这是正确的...而且图表看起来与您的图表非常相似...！

import numpy as np

readings = np.array([197, 218, 256, 328, 413,525, 646, 646, 777,

          1159, 1838, 2417, 3240, 4257, 4955, 4955,

          5752, 6620, 7738, 8966, 10402],

          dtype=float)   

readingsLength = len(readings)

double = np.zeros(readingsLength)

for i in range( readingsLength - 1, -1, -1):

    target = readings[i]

    count = 0

    for j in range(i, -1, -1):

        diffsofar = target-readings[j]

        exact = target / 2

        if diffsofar  > exact:

            f = (exact - readings[j]) / (readings[j]-readings[j+1]) + count

            double[i] = f

            break

        else:

            count = count+1

print(double)