使用分组 DataFrame 和后过滤器优化 itertools 组合答案

【问题标题】：Optimising itertools combination with grouped DataFrame and post filter使用分组 DataFrame 和后过滤器优化 itertools 组合
【发布时间】：2020-06-16 21:56:56
【问题描述】：

我有一个 DataFrame 作为

Locality     money
1            3
1            4
1            10
1            12
1            15
2            16
2            18

我必须使用 groupby 视图 对地区性和 过滤器 进行货币差异的替换。目标必须像

Locality     money1     money2
1            3          3 
1            3          4
1            4          4
1            10         10
1            10         12
1            10         15
1            12         12
1            12         15
1            15         15
2            16         16
2            16         18
2            18         18

请注意，该组合适用于相同 Locality 上的值和差异小于 6 的值。

我当前的代码是

from itertools import combinations_with_replacement
import numpy as np
import panda as pd

def generate_graph(input_series, out_cols):
    return pd.DataFrame(list(combinations_with_replacement(input_series, r=2)), columns=out_cols)

df = (
    df.groupby(['Locality'])['money'].apply(
        lambda x: generate_graph(x, out_cols=['money1', 'money2'])
    ).reset_index().drop(columns=['level_1'], errors='ignore')
)

# Ensure the Distance between money is within the permissible limit
df = df.loc[(
    df['money2'] - df['money1'] < 6
)]

问题是，我有一个包含 100000 行的 DataFrame，处理我的代码几乎需要 33 秒。我需要优化我的代码可能使用 numpy 所花费的时间。我正在寻找优化 groupby 和需要额外空间和时间的后置过滤器。对于示例数据，您可以使用此代码生成 DataFrame。

# Generate dummy data
t1 = list(range(0, 100000))
b = np.random.randint(100, 10000, 100000)
a = (b/100).astype(int)

df = pd.DataFrame({'Locality': a, 'money': t1})
df = df.sort_values(by=['Locality', 'money'])

【问题讨论】：

标签： python pandas performance numpy itertools

【解决方案1】：

同时获得运行时间加速和减少空间消耗：

代替后过滤 - 应用扩展函数（比如combine_values），在生成器表达式上生成数据帧，从而产生已经过滤（按条件）的组合。

（下面的factor 是一个默认参数，表示提到的允许限制）

In [48]: def combine_values(values, out_cols, factor=6): 
    ...:     return pd.DataFrame(((m1, m2) for m1, m2 in combinations_with_replacement(values, r=2)  
    ...:                         if m2 - m1 < factor), columns=out_cols) 
    ...:                                                                                                                                         

In [49]: df_result = ( 
    ...:     df.groupby(['Locality'])['money'].apply( 
    ...:         lambda x: combine_values(x, out_cols=['money1', 'money2']) 
    ...:     ).reset_index().drop(columns=['level_1'], errors='ignore') 
    ...: )

执行时间性能：

In [50]: %time df.groupby(['Locality'])['money'].apply(lambda x: combine_values(x, out_cols=['money1', 'money2'])).reset_index().drop(columns=['l
    ...: evel_1'], errors='ignore')                                                                                                              
CPU times: user 2.42 s, sys: 1.64 ms, total: 2.42 s
Wall time: 2.42 s
Out[50]: 
        Locality  money1  money2
0              1      34      34
1              1     106     106
2              1     123     123
3              1     483     483
4              1     822     822
...          ...     ...     ...
105143        99   99732   99732
105144        99   99872   99872
105145        99   99889   99889
105146        99   99913   99913
105147        99   99981   99981

[105148 rows x 3 columns]

【讨论】：