使用 Pandas，根据第二列的最小值从数据框中的一列（对于每组）获取值

Question

假设我们有一个包含 3 列的数据the_customer ： the_customer 、 the_date和the_amount 。 我们需要为每个用户创建一个数据the_amount ，该数据the_amount具有与每个用户的the_amount的最早/最小值相关联的the_date 。 这是我们目前正在做的事情：

each_users_first_amount = our_data[['the_customer', 'the_date', 'the_amount']]\
    .sort_values(by='the_date', ascending = True)\
    .groupby('the_customer', as_index=False)\
    .apply(lambda x: x.head(1))\
    .rename(columns = { 'the_date': 'earliest_date', 'the_amount': 'first_amount' })

这种方法在技术上是有效的，但是由于某种原因，这个函数在我们的数据上运行得很慢，我不确定链中的哪个方法导致函数运行缓慢（ .apply ？）。 这似乎也很“hacky”，特别是使用head抓取第一行的.apply(lambda x: x.head(1))行，这是因为我们之前已排序。

特别是，如果可以以某种方式使用.agg()来完成这可能会有所帮助，因为我们已经在另一个方法链中使用.agg()来对数据进行分组并计算分组指标。

Answer 1

使用聚合函数对于更大尺寸的数据帧效率不高，在处理更大的数据帧时，它比交互消耗更多的时间。 但是，在您的代码中，应用函数或迭代是唯一可能的选择，因此您无法替换它。 但我认为代码中的时间过程是排序。 在 groupby 之后使用 sort 可能会降低时间复杂度，因为对它的许多小子集进行排序比对整个数据帧进行排序更容易。