python从大到小排序函数_如何在Python里提升时间序列滚动排序函数（TS_RANK）的效率？...

1. 何为TS_RANK？

TS_RANK(X, n)函数，是指在一个时间序列X上，循环计算每个固定窗口的最后一个值在这个窗口内的排序值。说的通俗一点，就是在每一个时刻看所关注的时间序列X当前取值在过去一段时间内的排序如何。特意讨论该函数是因为其在挖掘信号时的使用频率还是很高的。

举个例子，如果我有时间序列[1,2,3,4,5,6], 固定窗口为3，那么前两个下标由于向前回溯数据长度不足将不做运算，对于[1,2,3]，由于3是最大的，所以序值为3。同理，继续循环推进，对于[2,3,4], [3,4,5], [4,5,6]，最后一个值的序值也都为3。最后得到[3,3,3,3]。

考虑固定窗口不一样时，计算结果难以相互比较，故而可以将每次得到的序值除以窗口长度，从而将结果正则到[0,1]之间，对于上例，结果变为[1,1,1,1]。再举一个例子[1,6,5,2,4,3]，则得到[0.66, 0.33, 0.66, 0.33]。

2. TS_RANK的Python实现

过去，大家喜欢用pandas.rolling()去实现这一类在时间序列上滚动循环计算的符号函数，假设价格dataframe为df，那么一般的写法为：

df.rolling(n).apply(lambda x: get_sort_value(x)/n)

由于pandas没有自带与rolling耦合的获取排序值的内置函数，我们需要使用apply+lambda的写法进而利用自写的get_sort_value去获取最后一个元素的排序值。根据我们的要求，get_sort_value是一个传入array返回最后一个元素排序值的函数，这里除以n则是为了正则化。

对于核心的get_sort_value，可实现的方法有很多种&#x