[英]faster way to run countifs in python
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
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。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.