执行 pandas groupby 操作的更快替代方案
Posted
技术标签:
【中文标题】执行 pandas groupby 操作的更快替代方案【英文标题】:Faster alternative to perform pandas groupby operation 【发布时间】:2019-01-29 05:25:19 【问题描述】:我有一个以名称 (person_name)、日期和颜色 (shirt_color) 为列的数据集。
每个人在特定的日子都穿着某种颜色的衬衫。天数可以是任意的。
例如输入:
name day color
----------------
John 1 White
John 2 White
John 3 Blue
John 4 Blue
John 5 White
Tom 2 White
Tom 3 Blue
Tom 4 Blue
Tom 5 Black
Jerry 1 Black
Jerry 2 Black
Jerry 4 Black
Jerry 5 White
我需要找到每个人最常用的颜色。
例如结果:
name color
-------------
Jerry Black
John White
Tom Blue
我正在执行以下操作以获得结果,效果很好,但速度很慢:
most_frquent_list = [[name, group.color.mode()[0]]
for name, group in data.groupby('name')]
most_frquent_df = pd.DataFrame(most_frquent_list, columns=['name', 'color'])
现在假设我有一个包含 500 万个唯一名称的数据集。执行上述操作的最佳/最快方法是什么?
【问题讨论】:
我希望有人会对所有这些提交的内容进行基准测试。我现在就做,但已经晚了。 @AndréC.Andersen 我将为每个解决方案添加基准测试 cmets。 每个循环 1.91 毫秒 ± 2.35 微秒(平均值 ± 标准偏差,7 次运行,每次 1000 次循环) 【参考方案1】:Numpy 的 numpy.add.at
和 pandas.factorize
这是为了快速。但是,我尝试将其组织为可读性。
i, r = pd.factorize(df.name)
j, c = pd.factorize(df.color)
n, m = len(r), len(c)
b = np.zeros((n, m), dtype=np.int64)
np.add.at(b, (i, j), 1)
pd.Series(c[b.argmax(1)], r)
John White
Tom Blue
Jerry Black
dtype: object
groupby
、size
和 idxmax
df.groupby(['name', 'color']).size().unstack().idxmax(1)
name
Jerry Black
John White
Tom Blue
dtype: object
name
Jerry Black
John White
Tom Blue
Name: color, dtype: object
Counter
¯\_(ツ)_/¯
from collections import Counter
df.groupby('name').color.apply(lambda c: Counter(c).most_common(1)[0][0])
name
Jerry Black
John White
Tom Blue
Name: color, dtype: object
【讨论】:
第一次:每个循环 362 µs ± 1.47 µs(平均值 ± 标准偏差,7 次运行,每次 1000 次循环) 第二次:每个循环 1.51 毫秒 ± 4.67 微秒(平均值 ± 标准偏差,7 次运行,每次 1000 次循环) 第 3 次:每个循环 834 µs ± 2.66 µs(平均值 ± 标准偏差,7 次运行,每次 1000 次循环)【参考方案2】:更新
这一定很难击败(示例 daraframe 上的速度比任何建议的 pandas 解决方案快约 10 倍,比建议的 numpy 解决方案快 1.5 倍)。要点是远离 pandas 并使用 itertools.groupby
在涉及非数字数据时做得更好。
from itertools import groupby
from collections import Counter
pd.Series(x: Counter(z[-1] for z in y).most_common(1)[0][0] for x,y
in groupby(sorted(df.values.tolist()),
key=lambda x: x[0]))
# Jerry Black
# John White
# Tom Blue
旧答案
这是另一种方法。它实际上比原来的慢,但我会保留在这里:
data.groupby('name')['color']\
.apply(pd.Series.value_counts)\
.unstack().idxmax(axis=1)
# name
# Jerry Black
# John White
# Tom Blue
【讨论】:
哈!我就是这么做的。我会删除 @piRSquared 来吧,坚持下去!让 OP 决定。 @piRSquared YoursCounter
由于apply
,仍然处于较慢的一侧。这里的重点是不要搞砸熊猫。
我认为collections
解决方案很好,但将其称为比 pandas/numpy 快 10 倍的做法具有误导性。在只有几百行的数据帧上,piRSquared 的因式分解解决方案轻松击败它,并且样本数据帧上的时间永远不会意味着太多
@user3483203 同意。我添加了一条注释,即 10 倍加速仅在示例数据帧上可见。【参考方案3】:
来自pd.Series.mode
df.groupby('name').color.apply(pd.Series.mode).reset_index(level=1,drop=True)
Out[281]:
name
Jerry Black
John White
Tom Blue
Name: color, dtype: object
【讨论】:
对不起,我想念这个问题并修复了。 每个循环 1.66 毫秒 ± 3.48 微秒(平均值 ± 标准偏差,7 次运行,每次 1000 次循环)【参考方案4】:用transform(max)
做两个分组怎么样?
df = df.groupby(["name", "color"], as_index=False, sort=False).count()
idx = df.groupby("name", sort=False).transform(max)["day"] == df["day"]
df = df[idx][["name", "color"]].reset_index(drop=True)
输出:
name color
0 John White
1 Tom Blue
2 Jerry Black
【讨论】:
每个循环 12.2 ms ± 48.4 µs(平均值 ± 标准偏差,7 次运行,每次 100 个循环) 谢谢。那不是很好,从我看到其他人得到的情况来看。作为时间测试的反馈,如果您在同一个小数据集上循环多次,它可能无法与在大型数据集上循环一次相比。许多像这样的解决方案启动成本很高,但一旦开始处理就会表现良好。多次循环一个小数据集意味着您可能只是在衡量启动成本,这应该只是一次成本。我建议你增加你正在测试的数据集的大小,直到运行一个循环需要几秒钟。【参考方案5】:类似于@piRSquared 的pd.factorize
和np.add.at
ans。
我们使用
对列中的字符串进行编码i, r = pd.factorize(df.name)
j, c = pd.factorize(df.color)
n, m = len(r), len(c)
b = np.zeros((n, m), dtype=np.int64)
但是,不要这样做:
np.add.at(b, (i, j), 1)
max_columns_after_add_at = b.argmax(1)
我们使用 jited 函数得到 max_columns_after_add_at
,在同一个循环中添加并找到最大值:
@nb.jit(nopython=True, cache=True)
def add_at(x, rows, cols, val):
max_vals = np.zeros((x.shape[0], ), np.int64)
max_inds = np.zeros((x.shape[0], ), np.int64)
for i in range(len(rows)):
r = rows[i]
c = cols[i]
x[r, c]+=1
if(x[r, c] > max_vals[r]):
max_vals[r] = x[r, c]
max_inds[r] = c
return max_inds
然后最后得到dataframe,
ans = pd.Series(c[max_columns_after_add_at], r)
所以,区别在于我们如何处理argmax(axis=1) after np.add.at()
。
时序分析
import numpy as np
import numba as nb
m = 100000
n = 100000
rows = np.random.randint(low = 0, high = m, size=10000)
cols = np.random.randint(low = 0, high = n, size=10000)
所以这个:
%%time
x = np.zeros((m,n))
np.add.at(x, (rows, cols), 1)
maxs = x.argmax(1)
给予:
CPU 时间:用户 12.4 秒,系统:38 秒,总计:50.4 秒挂壁时间:50.5 秒
还有这个
%%time
x = np.zeros((m,n))
maxs2 = add_at(x, rows, cols, 1)
给予
CPU 时间:用户 108 毫秒,系统:39.4 秒,总计:39.5 秒挂壁时间:38.4 秒
【讨论】:
【参考方案6】:由于使用很小的测试 DataFrame 作为输入进行测量,其他答案中讨论的大多数测试结果都存在偏差。 Pandas 有一些固定但通常可以忽略不计的设置时间,但在处理这个微小的数据集时会显得很重要。
在更大的数据集上,最快的方法是使用pd.Series.mode()
和agg()
:
df.groupby('name')['color'].agg(pd.Series.mode)
测试台:
arr = np.array([
('John', 1, 'White'),
('John', 2, 'White'),
('John', 3, 'Blue'),
('John', 4, 'Blue'),
('John', 5, 'White'),
('Tom', 2, 'White'),
('Tom', 3, 'Blue'),
('Tom', 4, 'Blue'),
('Tom', 5, 'Black'),
('Jerry', 1, 'Black'),
('Jerry', 2, 'Black'),
('Jerry', 4, 'Black'),
('Jerry', 5, 'White')],
dtype=[('name', 'O'), ('day', 'i8'), ('color', 'O')])
from timeit import Timer
from itertools import groupby
from collections import Counter
df = pd.DataFrame.from_records(arr).sample(100_000, replace=True)
def factorize():
i, r = pd.factorize(df.name)
j, c = pd.factorize(df.color)
n, m = len(r), len(c)
b = np.zeros((n, m), dtype=np.int64)
np.add.at(b, (i, j), 1)
return pd.Series(c[b.argmax(1)], r)
t_factorize = Timer(lambda: factorize())
t_idxmax = Timer(lambda: df.groupby(['name', 'color']).size().unstack().idxmax(1))
t_aggmode = Timer(lambda: df.groupby('name')['color'].agg(pd.Series.mode))
t_applymode = Timer(lambda: df.groupby('name').color.apply(pd.Series.mode).reset_index(level=1,drop=True))
t_aggcounter = Timer(lambda: df.groupby('name')['color'].agg(lambda c: Counter(c).most_common(1)[0][0]))
t_applycounter = Timer(lambda: df.groupby('name').color.apply(lambda c: Counter(c).most_common(1)[0][0]))
t_itertools = Timer(lambda: pd.Series(
x: Counter(z[-1] for z in y).most_common(1)[0][0] for x,y
in groupby(sorted(df.values.tolist()), key=lambda x: x[0])))
n = 100
[print(r) for r in (
f"t_factorize.timeit(number=n)=",
f"t_idxmax.timeit(number=n)=",
f"t_aggmode.timeit(number=n)=",
f"t_applymode.timeit(number=n)=",
f"t_applycounter.timeit(number=n)=",
f"t_aggcounter.timeit(number=n)=",
f"t_itertools.timeit(number=n)=",
)]
t_factorize.timeit(number=n)=1.325189442
t_idxmax.timeit(number=n)=1.0613339019999999
t_aggmode.timeit(number=n)=1.0495010750000002
t_applymode.timeit(number=n)=1.2837302849999999
t_applycounter.timeit(number=n)=1.9432825890000007
t_aggcounter.timeit(number=n)=1.8283823839999993
t_itertools.timeit(number=n)=7.0855046380000015
【讨论】:
【参考方案7】:想把上表转换成数据框试试贴出来的答案,可以用这个sn-p。将上面的表格复制粘贴到笔记本单元格中,如下所示,确保删除连字符
l = """name day color
John 1 White
John 2 White
John 3 Blue
John 4 Blue
John 5 White
Tom 2 White
Tom 3 Blue
Tom 4 Blue
Tom 5 Black
Jerry 1 Black
Jerry 2 Black
Jerry 4 Black
Jerry 5 White""".split('\n')
现在我们需要将此列表转换为元组列表。
df = pd.DataFrame([tuple(i.split()) for i in l])
headers = df.iloc[0]
new_df = pd.DataFrame(df.values[1:], columns=headers)
现在使用 new_df,你可以参考上面的答案@piRSquared
【讨论】:
以上是关于执行 pandas groupby 操作的更快替代方案的主要内容,如果未能解决你的问题,请参考以下文章
使用 pandas groupby + apply 和 condensing groups 计算平均值的更快方法