将几列分组然后在Pandas中聚合一组列（与R的data.table相比，它崩溃了很多）

Question

我对Python世界相对较新，并试图将其用作进行数据分析的备份平台。 我通常使用data.table来满足我的数据分析需求。

问题是，当我在大型CSV文件上运行group-aggregate操作（随机，压缩，上传到http://www.filedropper.com/ddataredact_1 ）时，Python抛出：

分组pandas返回getattr（obj，方法）（* args，** kwds）ValueError：不允许负尺寸

或者（我甚至遇到过......）

文件“C：\\ Anaconda3 \\ lib \\ site-packages \\ pandas \\ core \\ reshape \\ util.py”，第65行，在cartesian_product中为i，x在枚举（X）中文件“C：\\ Anaconda3 \\ lib \\ site- packages \\ pandas \\ core \\ reshape \\ util.py“，第65行，in为i，x为枚举（X）]文件”C：\\ Anaconda3 \\ lib \\ site-packages \\ numpy \\ core \\ fromnumeric.py“，line 445，重复返回_wrapfunc（a，'repeat'，重复，轴=轴）文件“C：\\ Anaconda3 \\ lib \\ site-packages \\ numpy \\ core \\ fromnumeric.py”，第51行，在_wrapfunc中返回getattr（obj ，方法）（* args，** kwds）MemoryError

我花了三天时间尝试减小文件大小（我能够将大小缩小89％），添加断点，调试它，但我无法取得任何进展。

令人惊讶的是，我想在R中的data.table中运行相同的组/聚合操作，并且它几乎data.table 1秒。 此外，我没有做任何数据类型转换等，建议在https://www.dataquest.io/blog/pandas-big-data/ 。

我还研究了其他线程： 避免大型Pandas DataFrame上的GroupBy内存问题 ， Pandas：df.groupby（）对于大数据集来说太慢了。 任何替代方法？ ，和pandas groupby与大csv文件上的sum（）？ 。 似乎这些线程更多的是关于矩阵乘法。 如果您不将此标记为重复，我将不胜感激。

这是我的Python代码：

finaldatapath = "..\Data_R"
ddata = pd.read_csv(finaldatapath +"\\"+"ddata_redact.csv", low_memory=False,encoding ="ISO-8859-1")

#before optimization: 353MB
ddata.info(memory_usage="deep")

#optimize file: Object-types are the biggest culprit.
ddata_obj = ddata.select_dtypes(include=['object']).copy()

#Now convert this to category type:
#Float type didn't help much, so I am excluding it here.
for col in ddata_obj:
    del ddata[col]
    ddata.loc[:, col] = ddata_obj[col].astype('category')

#release memory
del ddata_obj

#after optimization: 39MB
ddata.info(memory_usage="deep")


#Create a list of grouping variables:
group_column_list = [
                 "Business",
                 "Device_Family",
                 "Geo",
                 "Segment",
                 "Cust_Name",
                 "GID",
                 "Device ID",
                 "Seller",
                "C9Phone_Margins_Flag",
                 "C9Phone_Cust_Y_N",
                 "ANDroid_Lic_Type",
                 "Type",
                 "Term",
                 'Cust_ANDroid_Margin_Bucket',
                 'Cust_Mobile_Margin_Bucket',
# #                'Cust_Android_App_Bucket',
                 'ANDroind_App_Cust_Y_N'
]

print("Analyzing data now...")

def ddata_agg(x):
    names = {
        'ANDroid_Margin': x['ANDroid_Margin'].sum(),
        'Margins': x['Margins'].sum(),
        'ANDroid_App_Qty': x['ANDroid_App_Qty'].sum(),
        'Apple_Margin':x['Apple_Margin'].sum(),
       'P_Lic':x['P_Lic'].sum(),
       'Cust_ANDroid_Margins':x['Cust_ANDroid_Margins'].mean(),
       'Cust_Mobile_Margins':x['Cust_Mobile_Margins'].mean(),
       'Cust_ANDroid_App_Qty':x['Cust_ANDroid_App_Qty'].mean()
    }
    return pd.Series(names)

ddata=ddata.reset_index(drop=True)

ddata = ddata.groupby(group_column_list).apply(ddata_agg) 

代码在上面的.groupby操作中崩溃。

有人可以帮帮我吗？ 与我的其他帖子相比，我可能花了大量时间在这篇StackOverflow帖子上，尝试修复它并学习有关Python的新内容。 但是，我已经达到饱和状态 - 它让我更加沮丧，因为R的data.table包在<2秒内处理这个文件。 这篇文章不是关于R和Python的优缺点，而是关于使用Python提高效率。

我完全迷失了，我会感激任何帮助。

---

这是我的data.table R代码：

path_r = "../ddata_redact.csv"
ddata<-data.table::fread(path_r,stringsAsFactors=FALSE,data.table = TRUE, header = TRUE)

group_column_list <-c(
  "Business",
  "Device_Family",
  "Geo",
  "Segment",
  "Cust_Name",
  "GID",
  "Device ID",
  "Seller",
  "C9Phone_Margins_Flag",
  "C9Phone_Cust_Y_N",
  "ANDroid_Lic_Type",
  "Type",
  "Term",
  'Cust_ANDroid_Margin_Bucket',
  'Cust_Mobile_Margin_Bucket',
  # #                'Cust_Android_App_Bucket',
  'ANDroind_App_Cust_Y_N'
  )

    ddata<-ddata[, .(ANDroid_Margin = sum(ANDroid_Margin,na.rm = TRUE), 
Margins=sum(Margins,na.rm = TRUE), 
Apple_Margin=sum(Apple_Margin,na.rm=TRUE),  
Cust_ANDroid_Margins = mean(Cust_ANDroid_Margins,na.rm = TRUE),  
Cust_Mobile_Margins = mean(Cust_Mobile_Margins,na.rm = TRUE),
Cust_ANDroid_App_Qty = mean(Cust_ANDroid_App_Qty,na.rm = TRUE),
ANDroid_App_Qty=sum(ANDroid_App_Qty,na.rm = TRUE)
), 
by=group_column_list]

---

我有一个4核16GB RAM Win10x64机器。 我可以提供专家所需的任何细节。

添加到Josemz的评论，这里有关于agg和apply两个主题： pandas agg和apply函数有什么区别？ 和Pandas在apply（）和aggregate（）函数之间的区别

Answer 1

我认为你要找的是agg而不是apply 。 您可以将dict映射列传递给要应用的函数，因此我认为这对您有用：

ddata = ddata.groupby(group_column_list).agg({
    'ANDroid_Margin'      : sum,
    'Margins'             : sum,
    'ANDroid_App_Qty'     : sum,
    'Apple_Margin'        : sum,
    'P_Lic'               : sum,
    'Cust_ANDroid_Margins': 'mean',
    'Cust_Mobile_Margins' : 'mean',
    'Cust_ANDroid_App_Qty': 'mean'})