【问题标题】:Pandas: Fastest way to group by max and summing over the groupPandas:按最大值分组和对组求和的最快方法
【发布时间】:2021-02-19 13:41:39
【问题描述】:

这就是我想要实现的目标:

input: 
   B  C   D
A          
x  z  1  10
x  z  2  11
x  z  3  12
y  s  4  13
y  s  5  14
output: 
   B  C   D  sum
A               
x  z  3  12   33
y  s  5  14   27

我有以下代码。

import pandas as pd
df = pd.DataFrame({'A': ['x','x','x','y','y'],
               'B': ['z','z','z','s','s'],
               'C': [1,2,3,4,5],
               'D': [10,11,12,13,14]})

df = df.set_index('A') 
df['sum'] = df.groupby('A')['D'].transform('sum')
idx = df.groupby(['A'])['C'].transform(max) == df['C']
df= df[idx]

我在一个相当大的 Dataframe 上执行此操作。不过这需要很长时间,尤其是第一组。 有什么方法可以加快这个过程吗? 因为我要做的就是对一个组求和,并保留不同列最大的行。

【问题讨论】:

    标签: python pandas group-by pandas-groupby aggregate


    【解决方案1】:

    总的来说,我相信你的方法是可行的,除了一些改进:

    # no need to set_index. Do so on smaller/filtered data if needed
    # df = df.set_index('A') 
    
    # this is good 
    df['sum'] = df.groupby('A')['D'].transform('sum')
    
    # there's a bit difference between `'max'` and `max`.
    # one is vectorized, one is not
    idx = df.groupby(['A'])['C'].transform('max') == df['C']
    
    df= df[idx] 
    

    另一个改进是你可以做lazy groupby:

    groups = df.groupby('A')
    
    df['sum'] = groups['D'].transform('sum')
    
    idx = groups['C'].transform('max') == df['C']
    
    df = df[idx]
    

    【讨论】:

      【解决方案2】:
       df.groupby('B').agg(B=('C','max'), C=('D','max'), Sum=('D','sum')).rename_axis('A', axis=0)
      
      
      
          B   C  Sum
      A            
      s  5  14   27
      z  3  12   33
      

      【讨论】:

      • 根据 OP 的代码,保留最后一行可能与保留 max 不同,特别是保留 all max
      • 我觉得你是对的,那就去df.groupby('B').agg(B=('C','max'), C=('D','max'), Sum=('D','sum'))
      • 如果我有更多的列而不是 B,我想在最终的 df 中“拖动”。会变得非常指挥。
      • 在多重聚合中,列的命名几乎无法避免。话虽如此,也许还有其他选择,请寻求最佳答案。
      【解决方案3】:

      试试这个:

      tmp = df.groupby('A').agg(
          idx = ('C', 'idxmax'),
          D = ('D', 'sum')
      )
      result = df.loc[tmp['idx']].set_index('A').assign(D=tmp['D'])
      

      【讨论】:

        【解决方案4】:

        目前看来最快的解决方案是由 wwnde 提供的。

        我的贡献(比原来的方法快,但比其他方法慢):

        df['sum'] = df.groupby('A')['D'].transform('sum')
        df = df.loc[df.groupby('A').C.idxmax()]
        

        使用@Quang Hoang 提示可以加快速度:

        groups = df.groupby('A')
        df['sum'] = groups['D'].transform('sum')
        df = df.loc[ groups.C.idxmax()].set_index('A')
        

        基准测试

        # Import libraries
        import numpy as np
        import pandas as pd
        from time import time
        import seaborn as sns
        import matplotlib.pyplot as plt
        
        # Make fake data with 10M rows and 10 target-groups
        values = np.arange(10**7)
        groups = [f'group{i}' for i in range(1,11) for j in range(int(len(values)/10))]
        unused_col = [letter for letter in 'abcdefghij' for j in range(int(len(values)/10))]
        df = pd.DataFrame(dict(A=groups, B=unused_col, C=values*0.01, D=values))
        
        # Define functions
        def caina_max(df):
            df = df.copy()
            groups = df.groupby('A')
            df['sum'] = groups['D'].transform('sum')
            df = df.loc[ groups.C.idxmax()].set_index('A')
            return df
        
        def Code_Different(df):
            df = df.copy()
            tmp = df.groupby('A').agg(
                idx = ('C', 'idxmax'),
                D = ('D', 'sum'))
            df = df.loc[tmp['idx']].set_index('A').assign(Sum=tmp['D'])
            return df
        
        def Muriel(df):
            df = df.copy()
            df = df.set_index('A')
            df1 = df.groupby(['A','B']).max()
            df2 = df.groupby('A')['D'].sum()
            df = df1.join(df2, lsuffix='_caller', rsuffix='_other')
            df = df.reset_index(level=1).rename(columns={'D_caller': 'D', 'D_other': 'Sum'})
            return df
        
        def Quang_Hoang(df):
            df = df.copy()
            groups = df.groupby('A')
            df['sum'] = groups['D'].transform('sum')
            idx = groups['C'].transform('max') == df['C']
            df = df[idx].set_index('A')
            return df
        
        def valenzio(df):
            df.copy()
            df = df.set_index('A') 
            df['sum'] = df.groupby('A')['D'].transform('sum')
            idx = df.groupby(['A'])['C'].transform(max) == df['C']
            df= df[idx]
            return df
        
        def wwnde(df):
            df = df.copy()
            df = df.groupby('B').agg(B=('C','max'), C=('D','max'), Sum=('D','sum')).rename_axis('A', axis=0)
            return df
        
        # Benchmark
        functions = caina_max, Code_Different, Muriel, Quang_Hoang, valenzio, wwnde
        times = {f.__name__: [] for f in functions}
        
        for func in functions:
            fname = func.__name__
            for i in range(100): # reduce this range for faster reproducibility
                t0=time()
                func(df)
                t1=time()
                times[fname].append((t1-t0))
        
        # Benchmark table 
        df_benchmark = pd.DataFrame(times).agg([np.mean, np.std, max, min]).T.sort_values('mean').round(3)
        df_benchmark.index.name = 'Approach'
        # Benchmark figure
        plt.figure(figsize=(12,8))
        sns.boxplot(data=pd.melt(pd.DataFrame(times)), x='variable', y='value', )
        plt.xticks(rotation=45)
        plt.title(label='Benchmark', fontweight="bold", pad=20)
        plt.ylabel('Time in seconds', labelpad=10)
        plt.xlabel('')
        plt.show()
        

        输出:

                         mean    std    max    min
        Approach                                  
        wwnde           1.165  0.009  1.198  1.148
        Quang_Hoang     1.488  0.039  1.659  1.439
        Code_Different  1.532  0.027  1.638  1.500
        caina_max       1.680  0.030  1.813  1.641
        valenzio        2.847  0.036  3.030  2.805
        Muriel          3.598  0.025  3.666  3.549
        

        【讨论】:

        • 出色的工作!看起来@Quang_Hoang 是最好的解决方案,因为他的代码对于具有多列的 DF 是可扩展的。但是,如果您只有几列和大量数据,则应考虑 wwnde 中的方法。
        【解决方案5】:

        这应该更快:

        df = pd.DataFrame({'A': ['x','x','x','y','y'],
                       'B': ['z','z','z','s','s'],
                       'C': [1,2,3,4,5],
                       'D': [10,11,12,13,14]})
        
        df = df.set_index('A')
        
        df1 = df.groupby(['A','B']).max()
        df2 = df.groupby('A')['D'].sum()
        df1.join(df2, lsuffix='_caller', rsuffix='_other')
        

        【讨论】:

        • 这在你的内存上并不容易。不过我明天试试。
        猜你喜欢
        • 1970-01-01
        • 2021-06-01
        • 1970-01-01
        • 1970-01-01
        • 2013-05-10
        • 1970-01-01
        • 1970-01-01
        • 1970-01-01
        • 2023-02-07
        相关资源
        最近更新 更多