python pandas中的Groupby：快速方式

Question

我想改进 python pandas 中 groupby 的时间。 我有这个代码：

df["Nbcontrats"] = df.groupby(['Client', 'Month'])['Contrat'].transform(len)

目标是计算客户在一个月内拥有多少合同，并将此信息添加到新列中 (Nbcontrats)。

• Client：客户端代码
• Month: 数据提取月份
• Contrat: 合同号

我想改善时间。下面我只使用我的真实数据的一个子集：

%timeit df["Nbcontrats"] = df.groupby(['Client', 'Month'])['Contrat'].transform(len)
1 loops, best of 3: 391 ms per loop

df.shape
Out[309]: (7464, 61)

如何提高执行时间？

Answer 1

这里有一种方法：

• 将输入数据帧中的相关列 (['Client', 'Month']) 切成 NumPy 数组。这主要是一个以性能为中心的想法，因为我们稍后将使用 NumPy 函数，这些函数已针对 NumPy 数组进行了优化。

• 将['Client', 'Month'] 中的两列数据转换为单个1D 数组，将两列中的元素视为对，这将是等效的线性索引。因此，我们可以假设来自'Client' 的元素代表行索引，而'Month' 元素是列索引。这就像从2D 到1D。但是，问题在于确定 2D 网格的形状来执行这样的映射。为了涵盖所有对，一个安全的假设是假设一个二维网格，由于 Python 中基于 0 的索引，其每列的维度比最大值大一。因此，我们将得到线性索引。

• 接下来，我们根据每个线性索引的唯一性对其进行标记。我认为这将对应于使用grouby 获得的密钥。我们还需要沿该一维数组的整个长度获取每个组/唯一键的计数。最后，使用这些标签对计数进行索引应该为每个元素映射相应的计数。

这就是它的全部想法！这是实现 -

# Save relevant columns as a NumPy array for performing NumPy operations afterwards
arr_slice = df[['Client', 'Month']].values

# Get linear indices equivalent of those columns
lidx = np.ravel_multi_index(arr_slice.T,arr_slice.max(0)+1)

# Get unique IDs corresponding to each linear index (i.e. group) and grouped counts
unq,unqtags,counts = np.unique(lidx,return_inverse=True,return_counts=True)

# Index counts with the unique tags to map across all elements with the counts
df["Nbcontrats"] = counts[unqtags]

运行时测试

1) 定义函数：

def original_app(df):
    df["Nbcontrats"] = df.groupby(['Client', 'Month'])['Contrat'].transform(len)

def vectorized_app(df):
    arr_slice = df[['Client', 'Month']].values
    lidx = np.ravel_multi_index(arr_slice.T,arr_slice.max(0)+1)
    unq,unqtags,counts = np.unique(lidx,return_inverse=True,return_counts=True)
    df["Nbcontrats"] = counts[unqtags]

2) 验证结果：

In [143]: # Let's create a dataframe with 100 unique IDs and of length 10000
     ...: arr = np.random.randint(0,100,(10000,3))
     ...: df = pd.DataFrame(arr,columns=['Client','Month','Contrat'])
     ...: df1 = df.copy()
     ...: 
     ...: # Run the function on the inputs
     ...: original_app(df)
     ...: vectorized_app(df1)
     ...: 

In [144]: np.allclose(df["Nbcontrats"],df1["Nbcontrats"])
Out[144]: True

3) 最后给他们计时：

In [145]: # Let's create a dataframe with 100 unique IDs and of length 10000
     ...: arr = np.random.randint(0,100,(10000,3))
     ...: df = pd.DataFrame(arr,columns=['Client','Month','Contrat'])
     ...: df1 = df.copy()
     ...: 

In [146]: %timeit original_app(df)
1 loops, best of 3: 645 ms per loop

In [147]: %timeit vectorized_app(df1)
100 loops, best of 3: 2.62 ms per loop

Answer 2

使用DataFrameGroupBy.size 方法：

df.set_index(['Client', 'Month'], inplace=True)
df['Nbcontrats'] = df.groupby(level=(0,1)).size()
df.reset_index(inplace=True)

大部分工作是将结果分配回源 DataFrame 的列中。