列表python中每个唯一元素的所有索引

Question

我正在处理一个非常大的数据集（大约 7500 万个条目），并且我正在尝试显着缩短运行我的代码所花费的时间（现在有一个循环需要几个天）并保持极低的内存使用率。

我有两个长度相同的 numpy 数组（clients 和 units）。我的目标是获取一个值出现在我的第一个列表 (clients) 中的每个索引的列表，然后在每个索引处找到我的第二个列表中的条目总和。

这是我试过的（np是之前导入的numpy库）

# create a list of each value that appears in clients
unq = np.unique(clients)
arr = np.zeros(len(unq))
tmp = np.arange(len(clients))
# for each unique value i in clients
for i in range(len(unq)) :
    #create a list inds of all the indices that i occurs in clients
    inds = tmp[clients==unq[i]]
    # add the sum of all the elements in units at the indices inds to a list
    arr[i] = sum(units[inds])

有没有人知道一种方法可以让我在不遍历unq 中的每个元素的情况下找到这些总和？

Answer 1

使用Pandas，这可以使用grouby() 函数轻松完成：

import pandas as pd

# some fake data
df = pd.DataFrame({'clients': ['a', 'b', 'a', 'a'], 'units': [1, 1, 1, 1]})

print df.groupby(['clients'], sort=False).sum()

给你想要的输出：

         units
clients       
a            3
b            1

我使用 sort=False 选项，因为这可能会加快速度（默认情况下，条目将被排序，这对于庞大的数据集可能需要一些时间）。

Answer 2

这是一个典型的 group-by 类型操作，可以使用 numpy-indexed 包优雅高效地执行（免责声明：我是它的作者）：

import numpy_indexed as npi
unique_clients, units_per_client = npi.group_by(clients).sum(units)

请注意，与 pandas 方法不同，无需创建临时数据结构来执行此类基本操作。