Pandas 向量化：计算每个组中满足条件的分数答案

【问题标题】：Pandas vectorization: Compute the fraction of each group that meets a conditionPandas 向量化：计算每个组中满足条件的分数
【发布时间】：2019-05-10 09:47:23
【问题描述】：

假设我们有一张客户和他们的消费表。

import pandas as pd
df = pd.DataFrame({
    "Name":  ["Alice", "Bob", "Bob", "Charles"],
    "Spend": [3, 5, 7, 9]
})
LIMIT = 6

对于每个客户，我们可以使用apply 方法计算他的支出中大于 6 的部分：

df.groupby("Name").apply(
    lambda grp: len(grp[grp["Spend"] > LIMIT]) / len(grp)
)

Name
Alice      0.0
Bob        0.5
Charles    1.0

但是，apply 方法is just a loop，如果有很多客户，它会很慢。

问题：有没有更快的方法，大概使用矢量化？

从 0.23.4 版开始，SeriesGroupBy 不支持比较运算符：

(df.groupby("Name") ["Spend"] > LIMIT).mean()

TypeError: '>' not supported between instances of 'SeriesGroupBy' and 'int'

下面的代码导致 Alice 的值为空：

df[df["Spend"] > LIMIT].groupby("Name").size() / df.groupby("Name").size()

Name
Alice      NaN
Bob        0.5
Charles    1.0

下面的代码给出了正确的结果，但它要求我们要么修改表格，要么复制一份以避免修改原件。

df["Dummy"] = 1 * (df["Spend"] > LIMIT)
df.groupby("Name") ["Dummy"] .sum() / df.groupby("Name").size()

【问题讨论】：

我认为您应该可以使用groupby+apply。但是，您正在 lambda 函数中执行昂贵的操作。不需要做遮罩，使用它进行过滤，并使用python内置的len来计算可以有多少True。直接对掩码求和即可：df.groupby('Name').Spend.apply(lambda s: (s>LIMIT).sum()/s.size)
非常感谢您编辑我蹩脚的英语。

标签： python pandas group-by vectorization apply

【解决方案1】：

Groupby 不使用矢量化，但它具有使用 Cython 优化的聚合函数。

你可以取平均值：

(df["Spend"] > LIMIT).groupby(df["Name"]).mean()

df["Spend"].gt(LIMIT).groupby(df["Name"]).mean()

或者使用div将NaN替换为0：

df[df["Spend"] > LIMIT].groupby("Name").size() \
.div(df.groupby("Name").size(), fill_value = 0)

df["Spend"].gt(LIMIT).groupby(df["Name"]).sum() \
.div(df.groupby("Name").size(), fill_value = 0)

以上每一项都会产生

Name
Alice      0.0
Bob        0.5
Charles    1.0
dtype: float64

性能

取决于每个条件过滤的行数和行数，因此最好在真实数据上进行测试。

np.random.seed(123)

N = 100000
df = pd.DataFrame({
    "Name":  np.random.randint(1000, size = N),
    "Spend": np.random.randint(10, size = N)
})
LIMIT = 6

In [10]: %timeit df["Spend"].gt(LIMIT).groupby(df["Name"]).mean()
6.16 ms ± 332 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [11]: %timeit df[df["Spend"] > LIMIT].groupby("Name").size().div(df.groupby("Name").size(), fill_value = 0)
6.35 ms ± 95.1 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [12]: %timeit df["Spend"].gt(LIMIT).groupby(df["Name"]).sum().div(df.groupby("Name").size(), fill_value = 0)
9.66 ms ± 365 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

# RafaelC comment solution
In [13]: %timeit df.groupby("Name")["Spend"].apply(lambda s: (s > LIMIT).sum() / s.size)
400 ms ± 27.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [14]: %timeit df.groupby("Name")["Spend"].apply(lambda s: (s > LIMIT).mean())
328 ms ± 6.12 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

这个 NumPy 解决方案是矢量化的，但是有点复杂：

In [15]: %%timeit
    ...: i, r = pd.factorize(df["Name"])
    ...: a = pd.Series(np.bincount(i), index = r)
    ...: 
    ...: i1, r1 = pd.factorize(df["Name"].values[df["Spend"].values > LIMIT])
    ...: b = pd.Series(np.bincount(i1), index = r1)
    ...: 
    ...: df1 = b.div(a, fill_value = 0)
    ...: 
5.05 ms ± 82.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

【讨论】：