[英]Different groupers for each column with pandas GroupBy
我怎么能使用多维Grouper,在这种情况下是另一个数据帧,作为另一个数据帧的Grouper? 可以一步完成吗?
我的问题主要是关于如何在这些情况下执行实际的分组,但为了使其更具体,说我想transform
并获取sum
。
考虑例如:
df1 = pd.DataFrame({'a':[1,2,3,4], 'b':[5,6,7,8]})
print(df1)
a b
0 1 5
1 2 6
2 3 7
3 4 8
df2 = pd.DataFrame({'a':['A','B','A','B'], 'b':['A','A','B','B']})
print(df2)
a b
0 A A
1 B A
2 A B
3 B B
然后,预期的输出将是:
a b
0 4 11
1 6 11
2 4 15
3 6 15
凡列a
和b
在df1
已经被列分组a
和b
从df2
分别。
尝试使用apply
将lambda函数应用于数据帧的每一列,然后使用该pd.Series的名称按第二个数据帧分组:
df1.apply(lambda x: x.groupby(df2[x.name]).transform('sum'))
输出:
a b
0 4 11
1 6 11
2 4 15
3 6 15
您必须单独对每列进行分组,因为每列使用不同的分组方案。
如果你想要一个更干净的版本,我建议对列名称进行列表理解,并在结果系列上调用pd.concat
:
pd.concat([df1[c].groupby(df2[c]).transform('sum') for c in df1.columns], axis=1)
a b
0 4 11
1 6 11
2 4 15
3 6 15
不是说使用apply
在其他答案中有什么问题,只是因为我不喜欢apply
,所以这是我的建议:-)
以下是您的细读时间。 只是为了您的样本数据,您会注意到时间上的差异是显而易见的。
%%timeit
(df1.stack()
.groupby([df2.stack().index.get_level_values(level=1), df2.stack()])
.transform('sum').unstack())
%%timeit
df1.apply(lambda x: x.groupby(df2[x.name]).transform('sum'))
%%timeit
pd.concat([df1[c].groupby(df2[c]).transform('sum') for c in df1.columns], axis=1)
8.99 ms ± 4.55 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
8.35 ms ± 859 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)
6.13 ms ± 279 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
不是说apply
很慢,但在这种情况下显式迭代更快。 此外,您会注意到,由于迭代次数取决于列数,因此第二次和第三次定时解决方案将以更大的长度v / s宽度进行更好的扩展。
使用stack
和unstack
stack
df1.stack().groupby([df2.stack().index.get_level_values(level=1),df2.stack()]).transform('sum').unstack()
Out[291]:
a b
0 4 11
1 6 11
2 4 15
3 6 15
我要提出一个(大部分)numpythonic使用的解决方案scipy.sparse_matrix
进行量化groupby
对整个数据帧一次由列,而不是列。
有效执行此操作的关键是找到一种高效的方法来分解整个DataFrame,同时避免任何列中的重复。 由于您的组由字符串表示,您可以简单地在每个值的末尾连接列名称(因为列应该是唯一的),然后分解结果,如此[*]
>>> df2 + df2.columns
a b
0 Aa Ab
1 Ba Ab
2 Aa Bb
3 Ba Bb
>>> pd.factorize((df2 + df2.columns).values.ravel())
(array([0, 1, 2, 1, 0, 3, 2, 3], dtype=int64),
array(['Aa', 'Ab', 'Ba', 'Bb'], dtype=object))
一旦我们有了一个唯一的分组,我们就可以利用我们的scipy.sparse
矩阵,在flattened数组上一次执行groupby,并使用高级索引和整形操作将结果转换回原始形状。
from scipy import sparse
a = df1.values.ravel()
b, _ = pd.factorize((df2 + df2.columns).values.ravel())
o = sparse.csr_matrix(
(a, b, np.arange(a.shape[0] + 1)), (a.shape[0], b.max() + 1)
).sum(0).A1
res = o[b].reshape(df1.shape)
array([[ 4, 11],
[ 6, 11],
[ 4, 15],
[ 6, 15]], dtype=int64)
功能
def gp_chris(f1, f2):
a = f1.values.ravel()
b, _ = pd.factorize((f2 + f2.columns).values.ravel())
o = sparse.csr_matrix(
(a, b, np.arange(a.shape[0] + 1)), (a.shape[0], b.max() + 1)
).sum(0).A1
return pd.DataFrame(o[b].reshape(f1.shape), columns=df1.columns)
def gp_cs(f1, f2):
return pd.concat([f1[c].groupby(f2[c]).transform('sum') for c in f1.columns], axis=1)
def gp_scott(f1, f2):
return f1.apply(lambda x: x.groupby(f2[x.name]).transform('sum'))
def gp_wen(f1, f2):
return f1.stack().groupby([f2.stack().index.get_level_values(level=1), f2.stack()]).transform('sum').unstack()
建立
import numpy as np
from scipy import sparse
import pandas as pd
import string
from timeit import timeit
import matplotlib.pyplot as plt
res = pd.DataFrame(
index=[f'gp_{f}' for f in ('chris', 'cs', 'scott', 'wen')],
columns=[10, 50, 100, 200, 400],
dtype=float
)
for f in res.index:
for c in res.columns:
df1 = pd.DataFrame(np.random.rand(c, c))
df2 = pd.DataFrame(np.random.choice(list(string.ascii_uppercase), (c, c)))
df1.columns = df1.columns.astype(str)
df2.columns = df2.columns.astype(str)
stmt = '{}(df1, df2)'.format(f)
setp = 'from __main__ import df1, df2, {}'.format(f)
res.at[f, c] = timeit(stmt, setp, number=50)
ax = res.div(res.min()).T.plot(loglog=True)
ax.set_xlabel("N")
ax.set_ylabel("time (relative)")
plt.show()
结果
验证
df1 = pd.DataFrame(np.random.rand(10, 10))
df2 = pd.DataFrame(np.random.choice(list(string.ascii_uppercase), (10, 10)))
df1.columns = df1.columns.astype(str)
df2.columns = df2.columns.astype(str)
v = np.stack([gp_chris(df1, df2), gp_cs(df1, df2), gp_scott(df1, df2), gp_wen(df1, df2)])
print(np.all(v[:-1] == v[1:]))
True
要么我们都错了,要么我们都是正确的:)
[*]如果在连接发生之前一个项目是列和另一个项目的串联,则有可能在此处获得重复值。 但是,如果是这种情况,您不需要调整太多来修复它。
您可以执行以下操作:
res = df1.assign(a_sum=lambda df: df['a'].groupby(df2['a']).transform('sum'))\
.assign(b_sum=lambda df: df['b'].groupby(df2['b']).transform('sum'))
结果:
a b
0 4 11
1 6 11
2 4 15
3 6 15
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.