Pandas中列的擴展排名

Question

考慮一個樣本 DF：

df = pd.DataFrame(np.random.randint(0,60,size=(10,3)),columns=["a","b","c"])
df["d1"]=["Apple","Mango","Apple","Apple","Mango","Mango","Apple","Mango","Apple","Apple"]
df["d2"]=["Orange","lemon","lemon","Orange","lemon","Orange","lemon","Orange","lemon","Orange"]
df["date"] = ["2002-01-01","2002-01-01","2002-01-01","2002-01-01","2002-02-01","2002-02-01","2002-02-01"]
df["date"] = pd.to_datetime(df["date"])
df

    a   b   c     d1       d2    date
0   7   1   19  Apple   Orange  2002-01-01
1   3   7   17  Mango   lemon   2002-01-01
2   9   6   4   Apple   lemon   2002-01-01
3   0   5   51  Pine    Orange  2002-01-01
4   4   6   8   Apple   lemon   2002-02-01
5   4   3   1   Mango   Orange  2002-02-01
6   2   2   14  Apple   lemon   2002-02-01
7   5   15  10  Mango   Orange  2002-01-01
8   1   2   10  Pine    lemon   2002-02-01
9   2   1   12  Apple   Orange  2002-02-01

嘗試以擴展方式將d1 d1和c列的mean的排名。 例如，考慮以下前 5 行：

1. 第一行默認為索引0處的值，即Apple將替換為0

2. 第二行，索引1 ，值Mango應替換為0 ，因為僅考慮Apple的 DF GROUPED_MEAN的前2行將是 19 並且Mango將為 17，因此索引1處的值 Mango 應替換為 rank 0因為它具有較低的分組平均值。

3. 第三行，索引2 ，值Apple應替換為0 ，因為僅考慮Apple的 DF GROUPED_MEAN的前3行將是(19+4)/2並且Mango將是 17，因此索引2處的值 Apple應該用等級0代替，因為它具有較低的分組平均值

4. 第四行，索引3 ，值Pine應替換為2 ，因為僅考慮Apple的 DF GROUPED_MEAN的前4行將是(19+4)/2並且Mango將是 17， Pine將是 51，因為 Pine在所有 3 個類別中具有最高的分組平均值 - [Apple, Mango, Pine] ，Pine 將獲得排名 2。

5. 第五行，索引4 ，值Apple應替換為0 ，因為僅考慮Apple的 DF GROUPED_MEAN的前5行將是(19+4+8)/3 ， Mango將是 17， Pine將是 51，由於 Apple 在所有 3- Apple, Mango, Pine中的分組平均值最低，因此 Apple 將被評為 0 級。

d1 列的預期值：

0
0
0
2
0
0
1
0
2
1

迭代方法：

def expanding(data,cols):

    copy_df = data.copy(deep=True)
    for i in range(len(copy_df)):
       if i==0:
          copy_df.loc[i,cols]=0
       else:
          op = group_processor(data[:i+1],cols,i)
          copy_df.loc[i,cols]=op
    return copy_df

def group_processor(cut_df,cols,i):

    op=[]
    for each_col in cols:
       temp = cut_df.pivot_table("c",[each_col]).rank(method="dense")-1
       value = cut_df.loc[i,each_col]
       temp = temp.reset_index()
       final_value = temp.loc[temp[each_col]==value,"c"]
       op.append(final_value.values[0])

    return op

expanding(df,["d1"])

我可以通過 DF 的每一行迭代地執行此操作，但大型 DF 的性能很差，因此任何關於更多基於 pandas 的方法的建議都會很棒。

Answer 1

Use Series.expanding with minimum window size of 1 on column c , and use a custom lambda function exp . In this lambda function we use Series.groupby to group the exapnding window w by the column d1 in the original dataframe and transform using mean , finally using Series.rank with method='dense' we calculate the rank:

exp = lambda w: w.groupby(df['d1']).transform('mean').rank(method='dense').iat[-1]
df['d1_new'] = df['c'].expanding(1).apply(exp).sub(1).astype(int)

結果：

# print(df)

   a   b   c     d1      d2        date  d1_new
0  7   1  19  Apple  Orange  2002-01-01       0
1  3   7  17  Mango   lemon  2002-01-01       0
2  9   6   4  Apple   lemon  2002-01-01       0
3  0   5  51   Pine  Orange  2002-01-01       2
4  4   6   8  Apple   lemon  2002-02-01       0
5  4   3   1  Mango  Orange  2002-02-01       0
6  2   2  14  Apple   lemon  2002-02-01       1
7  5  15  10  Mango  Orange  2002-01-01       0
8  1   2  10   Pine   lemon  2002-02-01       2
9  2   1  12  Apple  Orange  2002-02-01       1

表現：

df.shape
(1000, 7)

%%timeit
exp = lambda w: w.groupby(df['d1']).transform('mean').rank(method='dense').iat[-1]
df['d1_new'] = df['c'].expanding(1).apply(exp).sub(1).astype(int)
3.15 s ± 305 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%%timeit
expanding(df,["d1"]) # your method
11.9 s ± 449 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)