时间序列数据在这里指按时间排序的日常业务数据。对时间序列数据进行计算时，不仅涉及季度、月份、工作日、周末等常规计算，还经常遇到较为复杂的有序运算，这就要求脚本语言应具备相应的计算能力。一般用于处理时间序列数据的计算脚本有SQL、Python Pandas、esProc，下面就让我们深入了解这些脚本，看看它们的能力差异。
SQL
SQL历史悠久用户众多，在其模型框架内早已发展到极限，几乎每种简单运算都能找到对应的SQL解法，这其中就包括有序运算。
比如比上期的例子：表stock1001存储某支股票的交易信息，主要字段有交易日期transDate、收盘价price，请计算每个交易日与上个交易日相比收盘价的增长率。
这个例子属于相对位置计算，如果使用窗口函数，SQL写法相对容易：
select transDate,price,
price/lag(price) over(order by transDate)-1 comp
from stock1001
但有些SQL不支持窗口函数，实现比上期就会麻烦得多：
With A as(SELECT t1.transDate,t1.price, COUNT(*) AS rk
FROM stock1001 AS t1,
stock1001 AS t2
WHERE t1.transDate >t2.transDate or (t1.transDate=t2.transDate and t1.price<=t2.price)
GROUP BY t1.transDate, t1.price
ORDER BY rk)
select t1.transDate,(t1.price/t2.price-1) comp from A as t1 left join A as t2
on t1.rk=t2.rk+1
上述代码之所以麻烦，首先是因为SQL是基于无序集合的，本身没有序号，不方便进行有序运算，为了实现有序运算，就要为无序集合硬造出序号列，这个过程需要自关联和分组汇总，代码比较复杂。其次，比上期属于相对位置计算，如果SQL有相对序号，这种计算会简单许多，但SQL没有相对序号，只能将上一行关联到本行，变相实现相邻位置计算，代码因此变得复杂。
基于无序集合的SQL不方便实现有序运算，窗口函数虽然可以缓解这一状况，但如果运算再复杂时，也依然麻烦。
比如中位数的例子：scores表存储学生成绩，主要字段有学生编号studentdid、数学成绩math，请计算数学成绩的中位数。中位数的定义是：如果记录总数L为偶数，则返回中间两个值的均值（序号分别为L/2和L/2+1）；如果L为奇数，则返回唯一的中间值（序号为(L+1)/2）。
SQL计算中位数的代码：
With A as (select studentdid,math, row_number() over (order by math) rk
from scores),
B as (select count(1) L from scores)
select avg(math) from A where rk in (
select case when mod(L,2)=1 then ((L+1) div 2) else ( L div 2) end no from B
union
select case when mod(L,2)=1 then ((L+1) div 2) else (L div 2)+1 end from B
))
可以看到，虽然已经使用了窗口函数，但SQL仍然很复杂。生成序号的过程对于有序集合来说是多余的，但对SQL来说就是必不可少的步骤，尤其是本例这种必须显式使用序号的情况，这让代码显得复杂。SQL实现分支判断也较麻烦，所以对L为奇数的情况进行处理时，并没有返回唯一的中间值，而是两个同样的中间值求平均，这个技巧虽然可以简化分支判断，但理解起来稍有困难。
如果使用取整函数，则可以巧妙地跳过判断过程，在简化代码的同时计算出中位数。但这种技巧与中位数的原始定义不同，会造成理解困难，这里没有采用。
再看一个稍复杂的例子：连续上涨天数。库表AAPL存储某支股票的股价信息，主要字段有交易日期transDate、收盘价price，请计算该股票最长的连续上涨天数。SQL如下：
select max(continue_inc_days)
from (select count(*) continue_inc_days
from (select sum(inc_de_flag) over(order by transDate) continue_de_days
from (select transDate,
case when
price>LAG(price) over(order by transDate)
then 0 else 1 end inc_de_flag
from AAPL) )
group by continue_de_days)
按自然思路实现这个任务时，应对日期有序的股票记录进行循环，如果本条记录与上一条记录相比是上涨的，则将连续上涨天数（初始为0）加1，如果是下跌的，则将连续上涨天数和当前最大连续上涨天数（初始为0）相比，选出新的当前最大连续上涨天数，再将连续上涨天数清0。如此循环直到结束，当前最大连续上涨天数即最终的最大连续上涨天数。
但SQL不擅长有序计算，无法用上述自然思路实现，只能用一些难懂的技巧。把按日期有序的股票记录分成若干组，连续上涨的记录分成同一组，也就是说，某天的股价比上一天是上涨的，则和上一天记录分到同一组，如果下跌了，则开始一个新组。最后看所有分组中最大的成员数量，也就是最多连续上涨的天数。
对于这两个稍复杂的有序运算例子，SQL实现起来就已经很困难了，一旦遇到更复杂的运算，SQL几乎无法完成。之所以出现这种结果，是因为SQL的理论基础就是无序集合，这种天然缺陷无论怎样打补丁，都无法从根本上解决问题。
Python Pandas
Pandas是Python的结构化计算库，常被用作时间序列数据的计算脚本。
作为结构化计算函数库，Pandas可以轻松实现简单的有序计算。比如，同样计算比上期，Pandas代码是这样的：
import pandas as pd
stock1001=pd.read_csv('d:/stock1001.csv') #return as a DataFrame
stock1001 ['comp'] = stock1001.math/ stock1001.shift(1).math-1
上述前两句是为了从文件读取数据，核心代码仅有一句。需要注意的是，Pandas并不能表示前一行，从而直接实现相对位置计算，但可以用shift(1)函数将列整体下移一行，从而变相实现相对位置计算。代码中行和列、前一行和下一行看上去很像，初学者容易混淆。
作为现代程序语言，Pandas在有序计算方面要比SQL先进，主要体现在Pandas基于有序集合构建，dataFrame数据类型天生具有序号，适合进行有序计算。前面那些稍复杂的有序计算，用SQL会非常困难，用Pandas就相对容易。
同样计算中位数，Pandas核心代码如下：
…
df=pd.read_csv('d:/scores.csv') #return as a DataFrame
math=df['math']
L=len(df)
if L % 2 == 1:
result= math[int(L / 2)]
else:
result= (math[int(L / 2 - 1)] + math[int(L / 2)]) / 2
print(result)
上述代码中，Pandas可以直接用[N]表示序号，而不用额外制造序号，代码因此得到简化。其次，Pandas是过程性语言，分支判断比SQL易于理解，也不需要技巧来简化代码。
同样稍复杂的例子最长连续上涨天数，Pandas也比SQL容易实现。核心代码如下：
…
aapl = pd.read_sql_query("select price from AAPL order by transDate", conn)
continue_inc_days=0 ; max_continue_inc_days=0
for i in aapl['price'].shift(0)>aapl['price'].shift(1):
continue_inc_days =0 if i==False else continue_inc_days +1
max_continue_inc_days = continue_inc_days if max_continue_inc_days < continue_inc_days else max_continue_inc_days
print(max_continue_inc_days)
conn.close()
本例中，Pandas可以按照自然思路实现，而不必采取难懂的技巧，代码的表达效率要比SQL高得多。
有点遗憾的是，有序计算常常要涉及相对位置计算，但Pandas不能直接表达相对位置，只能把列下移一行来变相表示本行的上一行，理解时有点困难。
Pandas在有序计算方面的确比SQL容易些，但遇到更复杂的情况，Pandas也会变得很繁琐，下面试举两例。
比如过滤累计值的例子：表sales存储客户的销售额数据，主要字段有客户client、销售额amount，请找出销售额累计占到一半的前n个大客户，并按销售额从大到小排序。Pandas代码如下：
import pandas as pd
sale_info = pd.read_csv("d:/sales.csv")
sale_info.sort_values(by=‘Amount’,inplace=True,ascending=False)
half_amount = sale_info[‘Amount’].sum()/2
vip_list = []
amount = 0
for client_info in sale_info.itertuples():
amount += getattr(client_info, ‘Amount’)
if amount < half_amount:
vip_list.append(getattr(client_info, ‘Client’))
else:
vip_list.append(getattr(client_info, ‘Client’))
break
print(vip_list)
再比如计算股价最高3天的涨幅：表stock1001存储某支股票的每日股价，主要字段有交易日期transDate、收盘价price，请将股价最高的三天按逆序排列，计算每一天相比前一天的涨幅。Pandas代码如下：
import pandas as pd
stock1001 = pd.read_csv("d:/stock1001_price.txt",sep = ‘\t’)
CL = stock1001[‘CL’]
CL_psort = CL.argsort()[::-1].iloc[:3].values
CL_psort_shift1 = CL_psort-1
CL_rise = CL[CL_psort].values/CL[CL_psort_shift1].values-1
max_3 = stock1001.loc[CL_psort].reset_index(drop = True)
max_3[‘RISE’] = CL_rise
print(max_3)
这些更复杂的例子也需要用到一些难懂的技巧去实现，不仅难以编写，而且难以读懂，这里就不再详细解释。
esProc
与Pandas类似，esProc也具有丰富的结构化计算函数，与Pandas不同的是，esProc除了基于有序集合并支持序号机制外，还提供了方便的相邻引用机制，以及丰富的位置函数，从而快捷方便地实现有序计算。
对于简单的有序计算，esProc和其他计算脚本一样，都可以轻松实现。比如同样比上期的esProc代码：
上面代码A1从csv文件取数，A2是核心代码。esProc可以用直观易懂的[-1]表示相对本行的前一行，这是Pandas和SQL都没有的功能，也是esProc更为专业的表现。
同样计算中位数，esProc核心代码如下：
上述代码中，esProc可以直接用[N]表示序号，而不用额外制造序号，代码更为简洁。esProc同样是过程性语法，既可以用if/else语句实现大段的分支，也可以像本例一样，用if函数实现简洁的判断。
同样稍复杂的例子最长连续上涨天数，esProc也比SQL/Pandas容易实现。核心代码如下：
本例中，esProc可以按照自然思路实现，而不必采取特殊的技巧，代码表达效率要比SQL更高。除此外，esProc既可以用循环语句实现大段的循环，也可以像本例一样，用循环函数max实现简洁的循环聚合。
esProc是更为专业的结构化计算语言，即使遇到更复杂的有序计算，也能较为轻松地实现。
比如过滤累计值的例子，esProc只需如下代码：
本例按自然思维实现，先在A2计算出从最大的客户到每个客户的累计值，再在A3算出最大累计值的一半，在A4算出累计值大于A3的位置，最后按位置取数据就是所需结果。这里有体现esProc专业性的两处特色，其一是A3中的m函数，该函数可以逆序取数，-1表示倒数第一条；其二是A4中的pselect，可以按条件返回序号。这两种函数都可以有效简化有序计算。
再比如计算股价最高那3天的涨幅，esProc只需如下代码：
上述代码中，A2中的ptop表示前N条的位置，和前面的pselect类似，返回的不是记录的集合，而是序号的集合，类似这样的函数在esProc中还有很多，其目的都是简化有序计算。A4中的#也是esProc的特色，直接表示序号字段，使用起来非常方便，不必像SQL那样额外制造，或Pandas那样设定index。
经过比较我们可以发现，esProc具备丰富的结构化函数，是专业的结构化计算语言，可以轻松实现常见的有序计算，即使更复杂的计算也能有效简化，是更加理想的时间序列数据计算脚本。
网友评论