迭代 pandas 中唯一值的更快方法？

Question

我有一些 pandas 代碼，我試圖在一個大數據集上運行，盡管使用了應用程序，但它看起來本質上是在迭代和緩慢運行……歡迎提出建議！

我正在嘗試對我的數據進行分組。 每行都有一個非唯一的事件 ID，每個事件 ID 可以包含多個事件。 如果這些事件中的任何一個是特定類型，我希望具有該 ID 的每一行都有一個特定的標志——例如，這種類型的事件發生在這個 ID 中。 然后我想要導出僅包含 ID 的數據框，並使用該標志顯示事件是否發生在該 ID 中。

這是我正在使用的代碼：

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)

雖然我嘗試使用應用而不是循環，但它似乎仍然在遍歷整個代碼並花費很長時間。 關於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，請使用GroupBy.transform而不是apply + join ，但transform僅適用於一列Event_type ：

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