熊猫提高效率

Question

我有一个大约300万行的熊猫数据框。 我想根据另一个变量部分地将最后一列汇总到单独的位置。

我的解决方案是根据该变量将数据帧的行分隔为新数据帧的列表，聚合数据帧，然后将它们再次合并为单个数据帧。 问题是几万行的行之后，出现内存错误。 我可以使用哪些方法来提高函数效率以防止这些内存错误？

我的代码示例如下

test = pd.DataFrame({"unneeded_var": [6,6,6,4,2,6,9,2,3,3,1,4,1,5,9],
                     "year": [0,0,0,0,1,1,1,2,2,2,2,3,3,3,3], 
                     "month" : [0,0,0,0,1,1,1,2,2,2,3,3,3,4,4],
                     "day" : [0,0,0,1,1,1,2,2,2,2,3,3,4,4,5], 
                     "day_count" : [7,4,3,2,1,5,4,2,3,2,5,3,2,1,3]})
test = test[["year", "month", "day", "day_count"]]

def agg_multiple(df, labels, aggvar, repl=None):
    if(repl is None): repl = aggvar
    conds = df.duplicated(labels).tolist() #returns boolean list of false for a unique (year,month) then true until next unique pair
    groups = []
    start = 0
    for i in range(len(conds)): #When false, split previous to new df, aggregate count 
        bul = conds[i]
        if(i == len(conds) - 1): i +=1 #no false marking end of last group, special case
        if not bul and i > 0 or bul and i == len(conds): 
            sample = df.iloc[start:i , :]
            start = i
            sample = sample.groupby(labels, as_index=False).agg({aggvar:sum}).rename(columns={aggvar : repl})
            groups.append(sample)
    df = pd.concat(groups).reset_index(drop=True) #combine aggregated dfs into new df
    return df



test = agg_multiple(test, ["year", "month"], "day_count", repl="month_count")

我想我可以潜在地将函数应用于数据帧的小样本，以防止发生内存错误，然后合并这些错误，但是我宁愿缩短函数的计算时间。

Answer 1

此功能的作用相同，并且快10倍。

test.groupby(["year", "month"], as_index=False).agg({"day_count":sum}).rename(columns={"day_count":"month_count"})

Answer 2

几乎总是有针对工作需要优化的pandas方法，这些方法在数据帧中的性能将大大优于迭代。 如果我理解正确，在您的情况下，以下内容将返回与您的函数相同的确切输出：

test2 = (test.groupby(['year', 'month'])
         .day_count.sum()
         .to_frame('month_count')
         .reset_index())

>>> test2
   year  month  month_count
0     0      0           16
1     1      1           10
2     2      2            7
3     2      3            5
4     3      3            5
5     3      4            4

要检查是否相同：

# Your original function:
test = agg_multiple(test, ["year", "month"], "day_count", repl="month_count")

>>> test == test2
   year  month  month_count
0  True   True         True
1  True   True         True
2  True   True         True
3  True   True         True
4  True   True         True
5  True   True         True