Нарезка фрейма данных по нескольким условиям Python

A. Получите соответствующие смены:

    n1 = df.shift(-1)
    n2 = df.shift(-2)
    n3 = df.shift(-3)
    n5 = df.shift(-5)

Б. Удовлетворить условиям 1, 2 и 3:

cond = (df != n1) & (df != n3) & (df != n5)

C. Удовлетворить условиям 4, 5:

 cond['holder'] = (df.x < n2.x) & (df.x < n3.x)

D. Получить серию логических значений (нам нужна любая строка со всеми значениями «True»):

boolidx = cond.all(axis=1)

E. Используйте для получения результата:

df.loc[boolidx]

Я немного изменил ваши образцы данных, чтобы получить один положительный результат:

df = pd.DataFrame(data=[
    [ 334, 290, 3350.0 ],
    [ 334, 291, 3350.5 ],
    [ 334, 292, 3360.1 ],
    [ 335, 292, 3360.1 ],
    [ 335, 292, 3360.1 ],
    [ 333, 290, 3351.0 ],
    [ 335, 290, 3352.5 ],
    [ 335, 291, 3333.1 ],
    [ 335, 291, 3333.1 ]], columns=['x', 'y', 'z'])

Затем, по соображениям эффективности, я определил следующую функцию:

def roll_win(a, win):
    shape = (a.shape[0] - win + 1, win, a.shape[1])
    strides = (a.strides[0],) + a.strides
    return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)

Он создает таблицу 3D, где измерения 2-й и 3-й являются "скользящими". windows" из исходного массива Нампиа. Размер окна победить, скольжение по вертикали. Таким образом, обработка последовательных окон требует выполнения цикла первая ось сгенерированной таблицы (см. ниже).

Благодаря использованию функции as_stried он работает значительно быстрее, чем любой «обычный» цикл Python (сравните время выполнения с другими решениями).

Я не мог использовать скользящие окна, предоставленный Панды, потому что они создан для вычисления некоторой статистики, а не для вызова какой-либо пользовательской функции на все содержимое текущего окна.

Затем я вызываю эту функцию:

tbl = roll_win(df.values, 7)

Обратите внимание, что массив Нампи должен иметь тип элемента Один, поэтому тип "обобщен" до плавать, потому что один исходный столбец Тип плавать.

Затем у нас есть этапы подготовки к циклу, обрабатывающему каждое скользящее окно:

res = []    # Result container
idx = 0     # Rolling window index

Остальная часть программы представляет собой цикл:

while idx < len(tbl):
    tt = tbl[idx]  # Get the current rolling window (2-D)
    r0 = tt[0]     # Row 0
    # Condition
    cond = not((r0 == tt[1]).all() and (r0 == tt[3]).all()\
        and (r0 == tt[5]).all()) and tt[0][0] < tt[2][0]\
        and tt[0][0] > tt[3][0]
    if cond:   # OK
        # print(idx)
        # print(tt)
        res.extend(tt)  # Add to result
        idx += 7        # Skip the current result
    else:      # Failed
        idx += 1        # Next loop for the next window

В "положительном" случае решила начать следующую петлю с ряда следующий текущее совпадение (идентификатор += 7), чтобы избежать возможного частичного перекрывающиеся наборы исходных строк. Если вам не нужна эта функция, добавьте 1 do IDX в обоих случаях.

Для демонстрационных целей вы можете раскомментировать тестовые распечатки выше.

Осталось только создать целевой DataFrame из строк собрано в разрешение:

df2 = pd.DataFrame(data=res, columns=['x', 'y', 'z'], dtype=int)

Обратите внимание, что тип = целое будет соблюдаться только для столбцов Икс и у, потому что значения в столбце г имеют дробную часть.