Como agrupar uma coluna polarizada em vários intervalos de outra nos pandas?
Eu tenho o seguinte 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
Eu gostaria de convertê-lo o mais rápido possível para:
desired_result = pd.DataFrame([[0.9, 0.8, 0.7, 0.6], [424, 25, 44, 63]]).T
Onde acima, eu defino um intervalo do 0.1
qual aplico a coluna 0
ao source
dataframe e soma a 1
coluna do mesmo dataframe. A ideia é que funcione com intervalos diferentes.
O que eu tentei:
Pensei em usar
pd.cut
mas não parece ser o que procuro.Eu sei que se eu adicionar uma nova coluna
source
com valores duplicados de 0,9, 0,8, 0,7 e 0,6 nas linhas correspondentes, posso usargroupby
nesta nova coluna e entãosum
, mas estou me perguntando se há uma maneira mais rápida e limpa para fazer isso? por exemplo, smth assim:
interval = 0.1
source['ints'] = (source[0] / interval).astype(int)
result = source.groupby(source['ints']).sum().reset_index()
result
No entanto, o acima exposto não funcionaria se eu alterasse o intervalo de 0,1 para 0,05, por exemplo.
Qualquer ajuda seria apreciada.
Respostas
Para velocidade: sempre tente vetorizar tudo o que puder e evitar apply
o máximo possível.
Aqui está uma maneira mais rápida (crédito para @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
A diferença de velocidade pode ser bastante dramática para grandes df
.
Experimente com 1 milhão de linhas, agrupadas em caixas 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)
Com um em apply
vez:
1.51 s ± 11 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
(50x mais lento).
Você pode usar uma custom_round
função da qual fiz 3 modificaçõeshttps://stackoverflow.com/a/40372261/6366770:
- Usei em
np.floor
vez deround
como você quer descer. - Isso bagunça os valores que estão na "borda" de uma caixa, então eu adiciono
+ base/100
(assim0.9
seria0.9 + .009 = 0.909
e arredondaria para baixo para 0,9 em vez de incorretamente para 0,8), para que ficasse logo acima da borda e arredondasse para baixo corretamente. Acho que isso vai cobrir você. Você pode fazer1 / 1000
para estar seguro. - A resposta que eu compartilho estava procurando
int
, então removidaint
, já que estamos olhando para flutuadores arredondados
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)
No meu computador, a resposta aceita é mais lenta:
102 ms ± 1.86 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)