Python 3.x 有效地使用Numpy以行块的形式进行处理

我需要迭代一组唯一的帐户（下面的示例代码中的AccountID），并计算每个唯一AccountID的功能选择（当前仅以TargetCol为例）。实际上，我将csv文件作为数据帧（1M行）读取，然后转换为Numpy记录数组，这样我仍然可以在循环中引用头名称。我实现这一点的方法是为每个唯一的AccountID创建一个切片，为每个切片计算TargetCol，然后将切片连接回一起

我下面的代码可以正常工作，但我非常确信它可以以一种更高效的方式完成（我所说的高效是指减少处理时间）

我想你需要：

import pandas as pd
df = pd.DataFrame({'AccountID': [1,  1,       1, 2,   1,  2,  1,      2, 2],
                   'RefDay':    [1,  2,       3, 1,   4,  2,  5,      3, 4],
                   'BCol':      [1., 2., np.nan, 1., 3., 2., 1., np.nan, 2.] ,
                   'CCol':      [3., 2.,     3., 1., 3., 4., 5.,     2., 1.] })
df = df.sort_values(by=['AccountID','RefDay']).reset_index(drop=True)

# Replace with 6 in real data
periods = 3
result = df.groupby('AccountID').apply(lambda g: g['BCol'].fillna(0).rolling(periods).sum().shift(-periods + 1) / g['CCol'])
df['TargetColumn'] = result.sortlevel(1).values
print(df)

输出：

   AccountID  BCol  CCol  RefDay  TargetColumn
0          1   1.0   3.0       1      1.000000
1          1   2.0   2.0       2      2.500000
2          1   NaN   3.0       3      1.333333
3          1   3.0   3.0       4           NaN
4          1   1.0   5.0       5           NaN
5          2   1.0   1.0       1      3.000000
6          2   2.0   4.0       2      1.000000
7          2   NaN   2.0       3           NaN
8          2   2.0   1.0       4           NaN

---

谢谢我认为，如果我添加一个RefDay列：df=pd.DataFrame（{'AccountID'：[1,1,1,2,1,2]，'RefDay'：[1,2,3,1,4,2,5,3,4]，'BCol'：[1,2.，np.nan，1,3,2,1.，np.nan，2.]，'CCol':[3,2,3,1,3,4,5,2,1.]}）df=df.sort_值（by=['AccountID'，'RefDay']）因此，TargetColumn值应为：1 | 2.5 | 1.33 | NaN | NaN | 3 | 1 | NaN|NaN@GivenX好的，我已经补充了这一点，不确定这是否正是您所需要的……否则，在问题中最好有一个输入和预期输出的完整示例。超级优雅和超级快速！谢谢！

   AccountID  BCol  CCol  RefDay  TargetColumn
0          1   1.0   3.0       1      1.000000
1          1   2.0   2.0       2      2.500000
2          1   NaN   3.0       3      1.333333
3          1   3.0   3.0       4           NaN
4          1   1.0   5.0       5           NaN
5          2   1.0   1.0       1      3.000000
6          2   2.0   4.0       2      1.000000
7          2   NaN   2.0       3           NaN
8          2   2.0   1.0       4           NaN