迭代 pandas 中唯一值的更快方法？

Question

我有一些 pandas 代码，我试图在一个大数据集上运行，尽管使用了应用程序，但它看起来本质上是在迭代和缓慢运行……欢迎提出建议！

我正在尝试对我的数据进行分组。 每行都有一个非唯一的事件 ID，每个事件 ID 可以包含多个事件。 如果这些事件中的任何一个是特定类型，我希望具有该 ID 的每一行都有一个特定的标志——例如，这种类型的事件发生在这个 ID 中。 然后我想要导出仅包含 ID 的数据框，并使用该标志显示事件是否发生在该 ID 中。

这是我正在使用的代码：

no_duplicates = df.drop_duplicates(subset=["ID])

def add_to_clean(URN):
    single_df = df[df["URN"] == URN].copy()
    return single_df["Event_type"].sum() > 0

no_duplicates["Event_type"] = no_duplicates["ID"].swifter.apply(add_to_clean)

虽然我尝试使用应用而不是循环，但它似乎仍然在遍历整个代码并花费很长时间。 关于如何提高效率的任何想法？

Answer 1

如果需要由聚合值填充的新列，请使用GroupBy.transform而不是apply + join ，但transform仅适用于一列Event_type ：

no_duplicates["Event_type"] = no_duplicates.groupby("URN").Event_type.transform('sum') > 0