Jak pogrupować jedną kolumnę biasowaną w różnych odstępach czasu od drugiej w pandach?
Mam następujący plik 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
Chciałbym go jak najszybciej przekonwertować na:
desired_result = pd.DataFrame([[0.9, 0.8, 0.7, 0.6], [424, 25, 44, 63]]).T
Gdzie powyżej określam przedział, 0.1
który stosuję do kolumny 0
do source
ramki danych i sumuję 1
kolumnę tej samej ramki danych. Chodzi o to, że powinno to działać w różnych odstępach czasu.
Co próbowałem:
Myślałem o użyciu,
pd.cut
ale to nie jest to, czego szukam.Wiem, że jeśli dodam nową kolumnę, do
source
której są zduplikowane wartości 0,9, 0,8, 0,7 i 0,6 w odpowiednich wierszach, to mogę użyćgroupby
tej nowej kolumny i wtedysum
, ale zastanawiam się, czy istnieje czystszy i szybszy sposób zrobić to? np. coś takiego:
interval = 0.1
source['ints'] = (source[0] / interval).astype(int)
result = source.groupby(source['ints']).sum().reset_index()
result
Jednak powyższe nie zadziałałoby, gdybym na przykład zmienił przedział z 0,1 na 0,05.
Każda pomoc będzie mile widziana.
Odpowiedzi
Dla szybkości: zawsze staraj się wektoryzować wszystko, co możesz, i unikaj apply
jak najwięcej.
Oto szybszy sposób (kredyt dla @DavidErickson za 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
Różnica prędkości może być dość dramatyczna dla dużych df
.
Spróbuj z 1 milionem wierszy pogrupowanych w 10 000 pojemnikach:
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)
Ze apply
zamiast:
1.51 s ± 11 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
(50x wolniej).
Możesz użyć custom_round
funkcji, z której zrobiłem 3 modyfikacjehttps://stackoverflow.com/a/40372261/6366770:
- Użyłem
np.floor
zamiast tego,round
jak chcesz zejść. - Powoduje to zepsucie wartości znajdujących się na „granicy” kosza, więc dodaję
+ base/100
(tak0.9
będzie0.9 + .009 = 0.909
i zaokrąglam w dół do .9 zamiast niepoprawnie do 0,8), tak że znajduje się tuż nad granicą i zaokrągla w dół poprawnie. Myślę, że to cię okryje. Możesz zrobić,1 / 1000
aby być bezpiecznym. - Odpowiedź, której się dzieliłem, została
int
usuniętaint
, ponieważ patrzymy na zaokrąglanie pływaków
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)
Na moim komputerze zaakceptowana odpowiedź jest wolniejsza:
102 ms ± 1.86 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)