Pandas 向量化：计算每组满足条件的分数

Question

假设我们有一张客户及其支出表。

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，我们可以使用以下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

然而，该apply方法只是一个循环，如果有很多客户，它会很慢。

问题：有没有更快的方法，大概是使用矢量化？

从 0.23.4 版本开始， 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，要么制作副本以避免修改原始表格。

df["Dummy"] = 1 * (df["Spend"] > LIMIT)

df.groupby("Name") ["Dummy"] .sum() / df.groupby("Name").size()

Answer 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()或者用div0 替换 NaN：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)以上每个都会产生NameAlice      0.0Bob        0.5Charles    1.0dtype: float64表现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 = 100000df = pd.DataFrame({    "Name":  np.random.randint(1000, size = N),    "Spend": np.random.randint(10, size = N)})LIMIT = 6In [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 solutionIn [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)