Python Pandas中的一般Groupby：快速方式

Question

终极问题

有没有办法做一个不依赖 pd.groupby 的通用的、高性能的 groupby 操作？

输入

pd.DataFrame([[1, '2020-02-01', 'a'], [1, '2020-02-10', 'b'], [1, '2020-02-17', 'c'], [2, '2020-02-02', 'd'], [2, '2020-03-06', 'b'], [2, '2020-04-17', 'c']], columns=['id', 'begin_date', 'status'])`

   id  begin_date status
0   1  2020-02-01      a
1   1  2020-02-10      b
2   1  2020-02-17      c
3   2  2020-02-02      d
4   2  2020-03-06      b

所需 Output

   id status  count  uniquecount
0   1      a      1            1
1   1      b      1            1
2   1      c      1            1
3   2      b      1            1
4   2      c      1            1

问题

现在，在 Python 中有一个简单的方法可以做到这一点，使用 Pandas。

df = df.groupby(["id", "status"]).agg(count=("begin_date", "count"), uniquecount=("begin_date", lambda x: x.nunique())).reset_index()
# As commented, omitting the lambda and replacing it with "begin_date", "nunique" will be faster. Thanks!

对于较大的数据集，此操作很慢，我猜测并说 O(n²)。

缺乏所需普遍适用性的现有解决方案

现在，经过一番谷歌搜索，StackOverflow 上有一些替代解决方案，或者使用 numpy、iterrows 或其他不同的方式。

执行 pandas groupby 操作的更快替代方案

Pandas 快速加权随机选择来自 groupby

还有一个很棒的：

Groupby 在 python pandas：快速方式

在我的示例中，这些解决方案通常旨在创建“计数”或“唯一计数”，基本上是聚合值。 但是，不幸的是，总是只有一个聚合，而不是多个 groupby 列。 此外，不幸的是，他们从未解释如何将它们合并到分组的 dataframe 中。

Is there a way to use itertools (Like this answer: Faster alternative to perform pandas groupby operation , or even better this answer: Groupby in python pandas: Fast Way ) that do not only return the series "count", but the whole dataframe in分组形式？

终极问题

有没有办法做一个不依赖 pd.groupby 的通用的、高性能的 groupby 操作？

这看起来像这样：

from typing import List
def fastGroupby(df, groupbyColumns: List[str], aggregateColumns):
    # numpy / iterrow magic
    return df_grouped

df = fastGroupby(df, ["id", "status"], {'status': 'count',
                             'status': 'count'}

并返回所需的 output。

Answer 1

在放弃groupby之前，我建议首先评估您是否真正利用了groupby所提供的功能。

取消lambda以支持内置的pd.DataFrameGroupBy方法。

许多Series和DataFrame方法都实现为pd.DataFrameGroupBy方法。 您应该直接使用它们，而不是使用groupby + apply(lambda x: ...)调用它们

此外，对于许多计算，您可以将问题重新定义为对整个 DataFrame 进行一些矢量化操作，然后使用在 cython 中实现的 groupby 方法。 这会很快。

一个常见的例子是在一个组中找到'Y'答案的比例。 一个直接的方法是检查每个组内的条件，然后得到比例：

N = 10**6
df = pd.DataFrame({'grp': np.random.choice(range(10000), N),
                   'answer': np.random.choice(['Y', 'N'], N)})

df.groupby('grp')['answer'].apply(lambda x: x.eq('Y').mean())

以这种方式思考问题需要lambda ，因为我们在 groupby 内部做了两个操作； 检查条件然后平均。 这个完全相同的计算可以被认为是首先检查整个 DataFrame 的条件，然后计算组内的平均值：

df['answer'].eq('Y').groupby(df['grp']).mean()

这是一个很小的变化，但后果是巨大的，随着组数的增加，收益会越来越大。

%timeit df.groupby('grp')['answer'].apply(lambda x: x.eq('Y').mean())
#2.32 s ± 99.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%timeit df['answer'].eq('Y').groupby(df['grp']).mean()
#82.8 ms ± 995 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

---

添加sort=False作为参数

默认情况下， groupby对键上的 output 进行排序。 如果没有理由对 output 进行排序，则指定sort=False可以获得轻微的收益

---

添加observed=True作为参数

如果分组键是分类的，它将重新索引到所有可能的组合，即使对于从未出现在 DataFrame 中的组也是如此。 如果这些不重要，从 output 中删除它们将大大提高速度。

---

对于您的示例，我们可以检查差异。 切换到pd.DataFrameGroupBy.nunique可以获得巨大的收益，并且删除排序会增加一点额外的速度。 两者的结合提供了一个“相同”的解决方案（直到排序），并且对于许多组来说快了近 100 倍。

import perfplot
import pandas as pd
import numpy

def agg_lambda(df):
    return df.groupby(['id', 'status']).agg(uniquecount=('Col4', lambda x: x.nunique()))
    
def agg_nunique(df):
    return df.groupby(['id', 'status']).agg(uniquecount=('Col4', 'nunique'))

def agg_nunique_nosort(df):
    return df.groupby(['id', 'status'], sort=False).agg(uniquecount=('Col4', 'nunique'))

perfplot.show(
    setup=lambda N: pd.DataFrame({'Col1': range(N),
                       'status': np.random.choice(np.arange(N), N),
                       'id': np.random.choice(np.arange(N), N),
                       'Col4': np.random.choice(np.arange(N), N)}),
    kernels=[
        lambda df: agg_lambda(df),
        lambda df: agg_nunique(df),
        lambda df: agg_nunique_nosort(df),
    ],
    labels=['Agg Lambda', 'Agg Nunique', 'Agg Nunique, No sort'],
    n_range=[2 ** k for k in range(20)],
    # Equality check same data, just allow for different sorting
    equality_check=lambda x,y: x.sort_index().compare(y.sort_index()).empty,
    xlabel="~ Number of Groups"
)