应用自定义 groupby 聚合函数在 pandas python 中输出二进制结果答案

【问题标题】：Applying a custom groupby aggregate function to output a binary outcome in pandas python应用自定义 groupby 聚合函数在 pandas python 中输出二进制结果
【发布时间】：2015-01-04 22:11:39
【问题描述】：

我有一个交易者交易数据集，其中感兴趣的变量是Buy/Sell，它是二进制的，如果交易是买入则取值为 1，如果是卖出则取值为 0。一个示例如下所示：

Trader     Buy/Sell
  A           1
  A           0
  B           1
  B           1
  B           0
  C           1
  C           0
  C           0

我想计算每个交易者的净Buy/Sell，这样如果交易者有超过 50% 的交易作为买入，他的Buy/Sell 为 1，如果他的买入少于 50%那么他的Buy/Sell 将是 0，如果恰好是 50%，他将拥有 NA（并且在未来的计算中将被忽略）。

所以对于交易者 A，买入比例为（买入数量）/（交易总数）= 1/2 = 0.5，即 NA。

对于交易者 B，它是 2/3 = 0.67，即 1

对于交易者 C，它是 1/3 = 0.33，结果为 0

表格应如下所示：

Trader     Buy/Sell
  A           NA
  B           1
  C           0

最终我想计算总购买次数，在本例中为 1，以及总交易次数（不考虑 NA），在本例中为 2。我对第二张表不感兴趣，我我只是对购买总数和Buy/Sell 的总数（计数）感兴趣。

如何在 Pandas 中做到这一点？

【问题讨论】：

标签： python pandas group-by aggregate-functions

【解决方案1】：

Pandas cut() 改进了 @unutbu 的答案，用一半的时间得到结果。

def using_select(df):
    grouped = df.groupby(['Trader'])
    result = grouped['Buy/Sell'].agg(['sum', 'count'])
    means = grouped['Buy/Sell'].mean()
    result['Buy/Sell'] = np.select(condlist=[means>0.5, means<0.5], choicelist=[1, 0], 
        default=np.nan)
    return result


def using_cut(df):
    grouped = df.groupby(['Trader'])
    result = grouped['Buy/Sell'].agg(['sum', 'count', 'mean'])
    result['Buy/Sell'] = pd.cut(result['mean'], [0, 0.5, 1], labels=[0, 1], include_lowest=True)
    result['Buy/Sell']=np.where(result['mean']==0.5,np.nan, result['Buy/Sell'])
    return result

using_cut() 在我的系统中每个循环的平均运行时间为 5.21 毫秒，而using_select() 每个循环的平均运行时间为 10.4 毫秒。

%timeit using_select(df)
10.4 ms ± 1.07 ms per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit using_cut(df)
5.21 ms ± 147 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

【讨论】：

【解决方案2】：

import numpy as np
import pandas as pd

df = pd.DataFrame({'Buy/Sell': [1, 0, 1, 1, 0, 1, 0, 0],
                   'Trader': ['A', 'A', 'B', 'B', 'B', 'C', 'C', 'C']})

grouped = df.groupby(['Trader'])
result = grouped['Buy/Sell'].agg(['sum', 'count'])
means = grouped['Buy/Sell'].mean()
result['Buy/Sell'] = np.select(condlist=[means>0.5, means<0.5], choicelist=[1, 0], 
    default=np.nan)
print(result)

产量

        Buy/Sell  sum  count
Trader                      
A            NaN    1      2
B              1    2      3
C              0    1      3

我的原始答案使用了自定义聚合器categorize：

def categorize(x):
    m = x.mean()
    return 1 if m > 0.5 else 0 if m < 0.5 else np.nan
result = df.groupby(['Trader'])['Buy/Sell'].agg([categorize, 'sum', 'count'])
result = result.rename(columns={'categorize' : 'Buy/Sell'})

虽然调用自定义函数可能很方便，但性能通常与内置函数相比，使用自定义函数时明显慢聚合器（例如groupby/agg/mean）。内置聚合器是 Cythonized，而自定义函数将性能降低到普通 Python for 循环速度。

当组数为大。例如，一个 10000 行的 DataFrame 有 1000 个组，

import numpy as np
import pandas as pd
np.random.seed(2017)
N = 10000
df = pd.DataFrame({
    'Buy/Sell': np.random.randint(2, size=N),
    'Trader': np.random.randint(1000, size=N)})

def using_select(df):
    grouped = df.groupby(['Trader'])
    result = grouped['Buy/Sell'].agg(['sum', 'count'])
    means = grouped['Buy/Sell'].mean()
    result['Buy/Sell'] = np.select(condlist=[means>0.5, means<0.5], choicelist=[1, 0], 
        default=np.nan)
    return result

def categorize(x):
    m = x.mean()
    return 1 if m > 0.5 else 0 if m < 0.5 else np.nan

def using_custom_function(df):
    result = df.groupby(['Trader'])['Buy/Sell'].agg([categorize, 'sum', 'count'])
    result = result.rename(columns={'categorize' : 'Buy/Sell'})
    return result

using_select 比 using_custom_function 快 50 倍以上：

In [69]: %timeit using_custom_function(df)
10 loops, best of 3: 132 ms per loop

In [70]: %timeit using_select(df)
100 loops, best of 3: 2.46 ms per loop

In [71]: 132/2.46
Out[71]: 53.65853658536585

【讨论】：