[英]Optimal method to speed up Pandas Dataframe groupby aggregation
我有一个像这样的大数据框price_d
:
+---------------------------------------------------+
| date monthEndDate stock volume logRet |
+---------------------------------------------------+
| 1990-01-01 1990-01-31 A 1 NA |
| 1990-01-02 1990-01-31 A 2 0.2 |
| 1990-02-01 1990-02-28 A 3 0.3 |
| 1990-02-02 1990-02-28 A 4 0.4 |
| ... ... |
| 1990-01-01 1990-01-31 B 1 NA |
| 1990-01-02 1990-01-31 B 2 0.08 |
| ... ... |
| 1990-02-01 1990-02-28 B 0 0.3 |
| 1990-02-02 1990-02-28 B 3 0.4 |
| ... ... |
+---------------------------------------------------+
该数据帧的长度将是数以百万计,在数百个不同的值monthEndDate
,数千独特价值的stock
。
我使用三个自定义函数对 volume 和 logRet 进行了 groupby 聚合:
def varLogRet(_s):
return pd.Series({'varLogRet': np.var(_s.iloc[_s.to_numpy().nonzero()])})
def TotRet1M(_s):
return pd.Series({'TotRet1M': np.exp(np.sum(_s))-1})
def avgVolume(_s):
return pd.Series({'avgVolume': np.mean(_s.iloc[_s.to_numpy().nonzero()])})
return_m = price_d.groupby(['monthEndDate', 'tradingItemId']).agg({'logRet': [varLogRet, TotRet1M],
'volume': avgVolume})
groupby 聚合需要几分钟的时间。 就我而言,加速此过程的最佳方法是什么,多处理是否有效?
当有内置的.agg
和可能直接可用的优化功能时,你真的不需要.agg
。 默认情况下忽略NaN
。 只需单独计算您需要的列,然后再使用它们。
基准测试:在运行 64 位 debian 10 的普通 Core i5-8250U (4C8T) 笔记本电脑上,800 万行不到 3 秒即可完成。数据是您提供的简单重复数据。
# make a dataset of 8 million rows
df = pd.read_clipboard(sep=r"\s{2,}")
df2 = df.loc[df.index.repeat(1000000)].reset_index(drop=True)
# set 0's to nan's as requested...
df2[df2["logRet"] == 0] = np.nan
t0 = datetime.now()
dfgp = df2.groupby(['monthEndDate', 'stock']) # groupby object
# what you want
tot = np.exp(dfgp["logRet"].sum() - 1)
var = dfgp["logRet"].var() # ddof=1 by default in pandas 1.1.3
vol = dfgp["volume"].mean()
print(f"{(datetime.now() - t0).total_seconds():.2f}s elapsed...")
# 2.89s elapsed...
然后您可以根据需要使用这些数据集。 例如使用pd.concat([tot, var, vol], axis=1)
将它们组合在一起。
tot
Out[6]:
monthEndDate stock
1990-01-31 A inf <- will not happen with real data
B inf
1990-02-28 A inf
B inf
Name: logRet, dtype: float64
var
Out[7]:
monthEndDate stock
1990-01-31 A 0.0000
B 0.0000
1990-02-28 A 0.0025
B 0.0025
Name: logRet, dtype: float64
vol
Out[8]:
monthEndDate stock
1990-01-31 A 1.5
B 1.5
1990-02-28 A 3.5
B 1.5
Name: volume, dtype: float64
NB 在tot
部分发生溢出仅仅是因为重复增量。 这不会发生在真实数据中。
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.