在python中运行countifs的更快方法

Question

我之前曾问过有关如何在多个数据帧中使用python进行计数的问题，就像您可以在Excel中的单独工作表上进行计数一样。 有人给我一个非常有创意的答案：

使用多个条件和多个数据框的python pandas countifs

谢谢@AlexG的支持-我尝试了一下，它的效果非常好：

import pandas as pd
import numpy as np
import matplotlib as plt

#import the data
students = pd.read_csv("Student Detail stump.csv")
exams = pd.read_csv("Exam Detail stump.csv")

#get data parameters
student_info = students[['Student Number', 'Enrollment Date', 'Detail Date']].values

#prepare an empty list to hold the results
N_exams_passed = []

#count records in data set according to parameters
for s_id, s_enroll, s_qual in student_info:
N_exams_passed.append(len(exams[(exams['Student Number']==s_id) &
                         (exams['Exam Grade Date']>=s_enroll) &
                         (exams['Exam Grade Date']<=s_qual) &
                         (exams['Exam Grade']>=70)])
                      )

#add the results to the original data set
students['Exams Passed'] = N_exams_passed

但是，它仅在小型数据集上有效地工作。 当我用十万行的数据运行数据时，它甚至不可能一overnight而就。 它似乎不是很pythonic。

您可以在几秒钟内完成此操作的SQL方法是使用相关子查询，如下所示：

SELECT
   s.*,
   (SELECT COUNT(e.[Exam Grade]) 
 FROM
     exams AS e 
 WHERE
    e.[Exam Grade] >= 65 
    AND e.[Student Number] = s.[Student Number] 
    AND e.[Exam Grade Date] >= s.[Enrollment Date] 
    AND e.[Exam Grade Date] <= s.[Detail Date]) 
    AS ExamsPassed
FROM 
    students AS s;

如何以熊猫或其他pythonic方式重现此类相关子查询？

以下是数据帧：

 #Students
 Student Number Enroll Date Detail Date
 1              1/1/2016    2/1/2016
 1              1/1/2016    3/1/2016
 2              2/1/2016    3/1/2016
 3              3/1/2016    4/1/2016

 #Exams
 Student Number Exam Date   Exam Grade
 1              1/1/2016    50
 1              1/15/2016   80
 1              1/28/2016   90
 1              2/5/2016    100
 1              3/5/2016    80
 1              4/5/2016    40
 2              2/2/2016    85
 2              2/3/2016    10
 2              2/4/2016    100

最终数据帧应如下所示，最后是“通过的考试”：

 #FinalResult
 Student Number Enroll Date Detail Date Passed Exams
 1              1/1/2016    2/1/2016    2
 1              1/1/2016    3/1/2016    3
 2              2/1/2016    3/1/2016    2
 3              3/1/2016    4/1/2016    0

Answer 1

如果我正确理解了数据帧的结构，建议合并两个数据帧，然后使用numpy.where对合并后的数据执行任务。

import numpy as np

exams = exams.merge(students, on='Student Number', how='left')
exams['Passed'] = np.where(
    (exams['Exam Grade Date'] >= exams['Enrollment Date']) &
    (exams['Exam Grade Date'] <= exams['Detail Date']) &
    (exams['Grade'] >= 70),
    1, 0)

students = students.merge(
    exams.groupby(['Student Number', 'Detail Date'])['Passed'].sum().reset_index(),
    left_on=['Student Number', 'Detail Date'],
    right_on=['Student Number', 'Detail Date'],
    how='left')
students['Passed'] = students['Passed'].fillna(0).astype('int')

注意：您需要确保将日期列正确地存储为日期时间（可以使用pandas.to_datetime进行此操作）。

numpy.where创建一个新数组，如果满足指定条件，则值是一种方式（上例中为1 ），如果不满足，则为另一种方式（ 0 ）。

行exams.groupby(['Student Number', 'Detail Date'])['Passed'].sum()生成一个序列，其中索引为Student Number和Detail Date ，并且值是与通过的考试相对应的计数该Student Number和Detail Date组合。 reset_index()使它成为一个数据reset_index()以进行合并。