如何优化包含 for 循环和数据框中 2000 万行的函数

Question

我有一个 pandas 数据框 df，如下所示：

student_id   category_id  count
1              111        10
2              111        5
3              222        8
4              333        5
5              111        6

同样，我有 2000 万行。

我想计算每个 student_id 的评分。例如，让我们考虑一个 category_id “111”。我们在这个类别中有 3 个学生 ID 1、2 和 5。 student_id 1 有 10 个计数， student_id 2 有 5 个计数， student_id 5 有 6 个计数。 每个 student_id 对 category_id 的评分由以下公式计算：

(count per student_id / total number of counts per category_id) * 5 

对于 student_id 1 -> 10/ 21 * 5 = 2.38

对于 student_id 2 -> 5/ 21 *5 = 1.19

对于 student_id 5 -> 6/ 21 * 5 = 1.43

下面是我必须计算的函数：

countPerStudentID = datasetPandas.groupby('student_id').agg(list)
countPerCategoryID = datasetPandas.groupby('category_id').agg(list)

studentIDMap = dict()
def func1(student_id):
    if student_id in studentIDMap:
        return studentIDMap[student_id]
    runningSum = 0
    countList = countPerStudentID.loc[student_id, 'count']
    for count in countList:
        runningSum += count
    studentIDMap[student_id] = runningSum
    return studentIDMap[student_id]

#Similar to the above function
categoryIDMap = dict()
def func2(category_id):
    if category_id in categoryIDMap:
        return categoryIDMap[category_id]
    runningSum = 0
    countList = countPerCategoryID.loc[category_id, 'count']
    for count in countList:
        runningSum += count
    categoryIDMap[category_id] = runningSum
    return categoryIDMap[category_id]

最后我从下面调用这两个函数：

#Calculating rating category-wise
rating = []
for index, row in df.iterrows():

    totalCountPerCategoryID = func1(row['category_id'])
    totalCountPerStudentID = func2(row['student_id'])

    rating.append((totalCountPerStudentID / totalCountPerCategoryID) * 5)

df['rating'] = rating

需要的输出：

student_id   category_id  count   rating
1              111        10       2.38
2              111        5        1.19
3              222        8         5
4              333        5         5 
5              111        6        1.43

由于数据量很大，运行它需要大量时间。我想知道如何优化这个计算

提前致谢

Answer 1

天哪，不要使用iterrows 和append，更不用说一起。难怪你的表现在爬行。对于pandas，iterrows 应该是最后的手段。

您应该能够使用矢量化方法实现此目的：

>>> df['rating'] = df['count'].div(df.groupby('category_id')['count'].transform(sum)).mul(5)
>>> df
   student_id  category_id  count    rating
0           1          111     10  2.380952
1           2          111      5  1.190476
2           3          222      8  5.000000
3           4          333      5  5.000000
4           5          111      6  1.428571

Answer 2

你不需要循环，这是groupby案例：

df['rating'] = df['count']/df.groupby('category_id')['count'].transform('sum') * 5

输出：

   student_id  category_id  count    rating
0           1          111     10  2.380952
1           2          111      5  1.190476
2           3          222      8  5.000000
3           4          333      5  5.000000
4           5          111      6  1.428571