[英]General Groupby in Python Pandas: Fast way
有沒有辦法做一個不依賴 pd.groupby 的通用的、高性能的 groupby 操作?
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
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
現在,在 Python 中有一個簡單的方法可以做到這一點,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!
對於較大的數據集,此操作很慢,我猜測並說 O(n²)。
現在,經過一番谷歌搜索,StackOverflow 上有一些替代解決方案,或者使用 numpy、iterrows 或其他不同的方式。
還有一個很棒的:
在我的示例中,這些解決方案通常旨在創建“計數”或“唯一計數”,基本上是聚合值。 但是,不幸的是,總是只有一個聚合,而不是多個 groupby 列。 此外,不幸的是,他們從未解釋如何將它們合並到分組的 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分組形式?
有沒有辦法做一個不依賴 pd.groupby 的通用的、高性能的 groupby 操作?
這看起來像這樣:
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'}
並返回所需的 output。
在放棄groupby
之前,我建議首先評估您是否真正利用了groupby
所提供的功能。
lambda
以支持內置的pd.DataFrameGroupBy
方法。 許多Series
和DataFrame
方法都實現為pd.DataFrameGroupBy
方法。 您應該直接使用它們,而不是使用groupby
+ apply(lambda x: ...)
調用它們
此外,對於許多計算,您可以將問題重新定義為對整個 DataFrame 進行一些矢量化操作,然后使用在 cython 中實現的 groupby 方法。 這會很快。
一個常見的例子是在一個組中找到'Y'
答案的比例。 一個直接的方法是檢查每個組內的條件,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())
以這種方式思考問題需要lambda
,因為我們在 groupby 內部做了兩個操作; 檢查條件然后平均。 這個完全相同的計算可以被認為是首先檢查整個 DataFrame 的條件,然后計算組內的平均值:
df['answer'].eq('Y').groupby(df['grp']).mean()
這是一個很小的變化,但后果是巨大的,隨着組數的增加,收益會越來越大。
%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)
sort=False
作為參數默認情況下, groupby
對鍵上的 output 進行排序。 如果沒有理由對 output 進行排序,則指定sort=False
可以獲得輕微的收益
observed=True
作為參數如果分組鍵是分類的,它將重新索引到所有可能的組合,即使對於從未出現在 DataFrame 中的組也是如此。 如果這些不重要,從 output 中刪除它們將大大提高速度。
對於您的示例,我們可以檢查差異。 切換到pd.DataFrameGroupBy.nunique
可以獲得巨大的收益,並且刪除排序會增加一點額外的速度。 兩者的結合提供了一個“相同”的解決方案(直到排序),並且對於許多組來說快了近 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"
)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.