¿Cómo agrupar una columna sesgada en varios intervalos de otra en pandas?
Tengo el siguiente pd.DataFrame:
source = pd.DataFrame([[0.99, 0.98, 0.93, 0.81, 0.85, 0.71, 0.7, 0.69, 0.68, 0.66],
[100, 12, 312, 23, 2, 12, 32, 21, 21, 21]]).T
Me gustaría convertirlo lo más rápido posible a:
desired_result = pd.DataFrame([[0.9, 0.8, 0.7, 0.6], [424, 25, 44, 63]]).T
Donde arriba defino un intervalo del 0.1
cual aplico a la columna 0
del source
marco de datos y sumo la 1
columna del mismo marco de datos. La idea es que esto debería funcionar con diferentes intervalos.
Lo que probé:
Pensé en usar
pd.cut
pero eso no parece ser lo que estoy buscando.Sé que si agrego una nueva columna a la
source
que tiene valores duplicados de 0.9, 0.8, 0.7 y 0.6 en las filas correspondientes, entonces puedo usargroupby
en esta nueva columna y luegosum
, pero me pregunto si hay una forma más limpia y rápida ¿para hacer esto? por ejemplo, algo como esto:
interval = 0.1
source['ints'] = (source[0] / interval).astype(int)
result = source.groupby(source['ints']).sum().reset_index()
result
Sin embargo, lo anterior no funcionaría si cambiara el intervalo de 0,1 a 0,05, por ejemplo.
Cualquier ayuda sería apreciada.
Respuestas
Para velocidad: intenta siempre vectorizar todo lo que puedas y evita apply
tanto como puedas .
Aquí hay una forma más rápida (crédito a @DavidErickson por sort=False
):
interval = 0.1
source.groupby(np.trunc(source[0] / interval) * interval, sort=False)[1].sum().reset_index()
# out:
0 1
0 0.9 424.0
1 0.8 25.0
2 0.7 12.0
3 0.6 95.0
La diferencia de velocidad puede ser bastante dramática para grandes df
.
Pruebe con 1 millón de filas, agrupadas en contenedores de 10K:
source = pd.DataFrame(np.random.normal(scale=1000, size=(int(1e6), 2)))
%%timeit
# ... (as above)
26.7 ms ± 292 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
Con un apply
en su lugar:
1.51 s ± 11 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
(50 veces más lento).
Puedes usar una custom_round
función de la que hice 3 modificacioneshttps://stackoverflow.com/a/40372261/6366770:
- Usé en
np.floor
lugar deround
como quieras bajar. - Esto estropea los valores que están en el "borde" de un contenedor, por lo que agrego
+ base/100
(así0.9
sería0.9 + .009 = 0.909
y redondeo hacia abajo a .9 en lugar de incorrectamente a 0.8), de modo que esté justo encima del borde y redondee hacia abajo correctamente. Creo que esto te cubrirá. Puede hacer1 / 1000
para estar seguro. - La respuesta que comparto estaba buscando
int
, tan eliminadaint
, ya que estamos viendo flotadores de redondeo
source = pd.DataFrame(np.random.normal(scale=1000, size=(int(1e6), 2)))
def custom_round(x, y, base):
return source.groupby((base * np.floor((x + (base / 100)) / base)), sort=False)[y].sum()
%timeit custom_round(source[0], 1, .1)
89.8 ms ± 1.14 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
En mi computadora, la respuesta aceptada es más lenta:
102 ms ± 1.86 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)