Question

我想改善python pandas中groupby的时间。我有这段代码：

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

目标是计算客户在一个月内拥有的合约数量，并将此信息添加到新列（Nbcontrats）中。

Client：客户端代码
Month：数据提取月份
Contrat：合同编号

我想改善时间。下面我只使用我的实际数据的一部分：

%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)

如何改善执行时间？

Answer 1

这是进行中的一种方式：

将输入数据帧中的相关列（['Client', 'Month']）切片为NumPy数组。这主要是一个以性能为中心的想法，因为我们稍后会使用NumPy函数，这些函数经过优化可以与NumPy数组一起使用。
将['Client', 'Month']中的两列数据转换为单个1D数组，这将是一个线性索引，相当于它将两列中的元素作为对。因此，我们可以假设'Client'中的元素表示行索引，而'Month'元素是列索引。这就像是从2D转到1D。但是，问题在于决定2D网格的形状以执行这种映射。为了覆盖所有对，一个安全的假设是假设一个2D网格，其尺寸比每列的最大值大一，因为Python中基于0的索引。因此，我们会得到线性指数。
接下来，我们根据其独特性标记每个线性索引。我认为这与使用grouby获得的密钥相对应。我们还需要在该1D阵列的整个长度上获得每个组/唯一键的计数。最后，使用这些标记索引计数应该为每个元素映射相应的计数。

关于它的全部想法！这是实施 -

# 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）定义功能：

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)

大部分工作都是将结果分配回源DataFrame的一列。

Groupby in python pandas：Fast Way

2 个答案: