Векторизация панд: вычислить долю каждой группы, которая удовлетворяет условию - PullRequest
Новая
       7

Векторизация панд: вычислить долю каждой группы, которая удовлетворяет условию

0 голосов
/ 09 декабря 2018

Предположим, у нас есть таблица клиентов и их расходов. 

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

Для каждого клиента мы можем вычислить долю его расходов, превышающую 6, используя метод apply: 

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

Name
Alice      0.0
Bob        0.5
Charles    1.0

Однако метод apply - это просто цикл , который медленный, если клиентов много.

Вопрос: Есть ли более быстрый путь?, который предположительно использует векторизацию?

Начиная с версии 0.23.4, SeriesGroupBy не поддерживает операторы сравнения: 

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

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

Приведенный ниже код приводит к нулевому значению для Алисы: 

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

Name
Alice      NaN
Bob        0.5
Charles    1.0

Приведенный ниже код дает правильный результат, но он требует либо изменить таблицу, либо сделать копию, чтобы избежать изменения оригинала. 

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

1 Ответ

0 голосов
/ 09 декабря 2018

Groupby не использует векторизацию, но имеет агрегатные функции, оптимизированные с помощью Cython.

Вы можете взять среднее значение: 

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

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

Или использовать div для замены NaN на 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)

Каждое из приведенных выше даст 

Name
Alice      0.0
Bob        0.5
Charles    1.0
dtype: float64

Производительность

Зависит от количества строк и количества отфильтрованных строкДля каждого условия лучше тестировать на реальных данных. 

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)

Это решение NumPy векторизовано, но немного сложнее: 

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)
...