使用 Pandas 和 Numpy 通过 ID 索引查找比率的计算时间昂贵

Question

我目前正在制作一个包含对比率的表格，并应用某种 minmaxscalar 逻辑。但是，我的代码经历了非常长且昂贵的时间复杂度；一个重要的原因是数据的大小。但是，我正在寻找更高效的代码来做同样的事情。

这是我编写的代码，将解释我在代码中所做的事情。

import pandas as pd
import numpy as np
import itertools

indexColumn = 'id'
limit_ratio = 0.6

result_data = pd.DataFrame([['id1', 1], ['id2', 1], ['id3', 1], ['id1', 2], ['id3', 2], ['id1', 4], ['id2', 4], ['id1', 5], ['id2', 5], ['id1', 6], ['id5', 6], ['id5', 7], ['id6', 7]], columns=['id', 'labels'])

result_data = result_data.groupby('labels')[indexColumn].apply(lambda x: list(itertools.combinations(x, 2))).reset_index()
result_data = result_data.explode(indexColumn)
result_data = result_data.groupby(indexColumn)['labels'].agg('count').rename('count').reset_index()

result_data[['id1', 'id2']] = pd.DataFrame(result_data[indexColumn].tolist(),index=result_data.index)

此时，result_data 看起来像

id	count	id1	id2
(id1,id2)	3	id1	id2
(id1,id3)	2	id1	id3
(id1,id5)	1	id1	id5
(id2,id3)	1	id2	id3
(id5,id6)	1	id5	id6

基本上，上面的代码计算了一对相同标签的数量。 例如，id1 和 id2 具有标签 1 数据。然后，计数将增加 1。 （我特别要感谢 Joseph Fernandez，他过去帮助我完成了上面的代码）

result_data['ratio'] = result_data['count'] / float(result_data['count'].max())
result_data = result_data.sort_values(by='ratio', ascending=False)

那么，result_data 就是

id	count	id1	id2	ratio
(id1,id2)	3	id1	id2	1.000
(id1,id3)	2	id1	id3	0.667
(id1,id5)	1	id1	id5	0.333
(id2,id3)	1	id2	id3	0.333
(id5,id6)	1	id5	id6	0.333

对于这里的ratio，我计算了一下

1. (id1, id2) = 3 / max(count) = 3 / 3 = 1
2. (id1, id3) = 2 / max(count) = 2 / 3 = 0.667
3. (id1, id5) = 1 / max(count) = 1 / 3 = 0.333

这是一个简单的数据版本来解释代码，但实际上我现在拥有 result_data，它有 1.2 亿行。以下代码是指数计算时间的问题，因为它的大小。

if limit_ratio is not None:
    result_data[['ratio1', 'ratio2']] = np.NaN
    idlist = np.unique(result_data[['id1', 'id2']])
    for id in idlist:
        tmp = result_data[(result_data['id1'] == id) | (result_data['id2'] == id)][['id1', 'id2', 'count', 'ratio']]
        tmp['ratio1'] = tmp['count'] / float(tmp['count'].max())
        tmp['ratio2'] = tmp['ratio1']
        tmp.loc[tmp['id1'] == id, ['ratio2']] = np.NaN
        tmp.loc[tmp['id2'] == id, ['ratio1']] = np.NaN
        tmp = tmp[['id1', 'id2', 'ratio1', 'ratio2']]
        result_data = pd.merge(result_data, tmp, how='outer', on=['id1', 'id2'])
        result_data['ratio1'] = result_data['ratio1_x'].where(result_data['ratio1_x'].notna(), result_data['ratio1_y'])
        result_data['ratio2'] = result_data['ratio2_x'].where(result_data['ratio2_x'].notna(), result_data['ratio2_y'])
        result_data = result_data[['id1', 'id2', 'count', 'ratio', 'ratio1', 'ratio2']]

那么，结果会是

id1	id2	count	ratio	ratio1	ratio2
id1	id2	3	1.000	1.000	1.0
id1	id3	2	0.667	0.667	1.0
id1	id5	1	0.333	0.333	1.0
id2	id3	1	0.333	0.333	0.5
id5	id6	1	0.333	1.000	1.0

要详细解释 ratio1 和 ratio2，

ratio1 计算公式为

1. (id1,id2) 计数/最大值(id1_count) = 3/3 = 1
2. (id1,id3) 计数/最大值(id1_count) = 2/3 = 0.667
3. (id1,id5) 计数/最大值(id1_count) = 1/3 = 0.333
4. (id2,id3) 计数/最大值(id2_count) = 1/3 = 0.333
5. (id5,id6) 计数/最大值(id5_count) = 1/1 = 1

ratio2 计算公式为

1. (id1,id2) 计数/最大值(id2_count) = 3/3 = 1
2. (id1,id3) 计数/最大值(id3_count) = 2/2 = 1
3. (id1,id5) 计数/最大值(id5_count) = 1/1 = 1
4. (id2,id3) 计数/最大值(id3_count) = 1/2 = 0.5
5. (id5,id6) 计数/最大值(id6_count) = 1/1 = 1

毕竟，我们的最终目标是过滤掉带有threshold 的行。

result_data = result_data[(result_data['ratio1'] >= float(limit_ratio)) | (result_data['ratio2'] >= float(limit_ratio))]

这会给我

id1	id2	count	ratio	ratio1	ratio2
id1	id2	3	1.000	1.000	1.0
id1	id3	2	0.667	0.667	1.0
id1	id5	1	0.333	0.333	1.0
id5	id6	1	0.333	1.000	1.0

这里，每个循环的代码需要 12 分钟。该数据有 50,000 个唯一 ID，预计计算时间为 12 * 50000 = 60,000 分钟 = 10,000 小时。供您参考，我目前正在使用 python 3.8.8、pandas == 1.2.3 和 numpy == 1.19.5。

Answer 1

设置

>>> result_data

           id  count  id1  id2     ratio
0  (id1, id2)      3  id1  id2  1.000000
1  (id1, id3)      2  id1  id3  0.666667
2  (id1, id5)      1  id1  id5  0.333333
3  (id2, id3)      1  id2  id3  0.333333
4  (id5, id6)      1  id5  id6  0.333333

解决方案

melted = result_data.melt('count', ['id1', 'id2'])
maxima = melted.groupby('value')['count'].max()

result_data['ratio1'] = result_data['count'] / result_data['id1'].map(maxima)
result_data['ratio2'] = result_data['count'] / result_data['id2'].map(maxima)

result_data = result_data.query("ratio1 >= @limit_ratio or ratio2 >= @limit_ratio")

说明

通过将id_vars 指定为count 和value_vars 指定为id1, id2 的数据帧Melt

>>> melted

   count variable value
0      3      id1   id1
1      2      id1   id1
2      1      id1   id1
3      1      id1   id2
4      1      id1   id5
5      3      id2   id2
6      2      id2   id3
7      1      id2   id5
8      1      id2   id3
9      1      id2   id6

现在group melted 数据框由value 列和聚合count 使用max 计算maximum 每个id 的计数值

>>> maxima

value
id1    3
id2    3
id3    2
id5    1
id6    1
Name: count, dtype: int64

map maxima 在列 id1 和 id2 上计算得到

>>> result_data['id1'].map(maxima)

0    3
1    3
2    3
3    3
4    1
Name: id1, dtype: int64

>>> result_data['id1'].map(maxima)

0    3
1    2
2    1
3    2
4    1
Name: id2, dtype: int64

现在将count列与上面映射的id1和id2列分别除以计算ratio1和ratio2

>>> result_data[['ratio1', 'ratio2']]

     ratio1  ratio2
0  1.000000     1.0
1  0.666667     1.0
2  0.333333     1.0
3  0.333333     0.5
4  1.000000     1.0

Query 用于根据limit_ratio 中给定的threshold 值过滤掉行的数据框

>>> result_data

           id  count  id1  id2     ratio    ratio1  ratio2
0  (id1, id2)      3  id1  id2  1.000000  1.000000     1.0
1  (id1, id3)      2  id1  id3  0.666667  0.666667     1.0
2  (id1, id5)      1  id1  id5  0.333333  0.333333     1.0
4  (id5, id6)      1  id5  id6  0.333333  1.000000     1.0