Pandas:如何在滚动窗口内查找高点出现后的最低值
滚动窗口高点后最低值实现逻辑
- 核心计算规则:每个滚动窗口内,先定位窗口内首次出现的最大值(高点)的相对位置(避免了之前需要匹配全局高点索引的复杂操作),截取该位置到窗口末尾的所有值取最小值,即为
Low_After_High。 - 若高点出现在窗口最后一位,后续无更多数值,则最小值为高点本身,符合预期逻辑。
完整可运行代码
import pandas as pd import numpy as np dates = pd.date_range("20130101", periods=15) temps = {'Temperature' :[16, 3, 26, 56, 2, 92, 54, 98, 73, 68, 80, 18, 75, 24, 12]} df = pd.DataFrame(temps, index=dates, columns = ['Temperature']) df['RollMax'] = df['Temperature'].rolling(5).max() # 单窗口处理函数:定位高点位置后计算后续最低值 def calc_low_after_peak(window): peak_pos = window.argmax() return window[peak_pos:].min() # raw=True传入numpy数组,大幅提升大窗口下的计算性能 df['Low_After_High'] = df['Temperature'].rolling(5).apply(calc_low_after_peak, raw=True)
输出结果验证
运行上述代码后,DataFrame的完整输出与预期完全匹配:
Temperature RollMax Low_After_High 2013-01-01 16 NaN NaN 2013-01-02 3 NaN NaN 2013-01-03 26 NaN NaN 2013-01-04 56 NaN NaN 2013-01-05 2 56.0 2.0 2013-01-06 92 92.0 92.0 2013-01-07 54 92.0 54.0 2013-01-08 98 98.0 98.0 2013-01-09 73 98.0 73.0 2013-01-10 68 98.0 68.0 2013-01-11 80 98.0 68.0 2013-01-12 18 98.0 18.0 2013-01-13 75 80.0 18.0 2013-01-14 24 80.0 18.0 2013-01-15 12 80.0 12.0
自定义调整说明
- 若需以窗口内最后一次出现的高点为基准,可将
peak_pos = window.argmax()替换为peak_pos = len(window) - 1 - window[::-1].argmax() - 调整
rolling(5)中的参数即可适配不同窗口大小需求。
内容的提问来源于stack exchange,提问作者David Mollo
相关产品推荐
相关产品推荐

