Python 优化-数据帧聚合将在聚合过程中使用不同的过滤器：df.loc或not？

我期待下面的聚合-理想情况下在一个单一的步骤。聚合列需要使用不同的过滤器进行计算，我想到了两种方法来实现这一点（请参见函数

f1

和

f2

）。我认为定义一个索引（如

f2

）会加快这个过程，但事实恰恰相反——不管数据帧的行数如何，聚合所需的时间大约要长2-3倍

为什么会这样？我认为

.loc

是推荐的方法。还有，还有第三种（比f1更快的）方法吗？我正在使用Python 3.6.4

import numpy as np
import pandas as pd
from collections import OrderedDict
import time

N = 10**5
df_big = pd.DataFrame({'grp': np.array(list(range(1,11)) * N),
                       'vals': np.random.randint(0,100, 10*N),
                       'var1': np.random.randint(10,30, 10*N)})

def f1(x):
    d = OrderedDict()
    d['vals_sum_1'] = np.sum(x['vals'][x['var1'] > 15])
    d['vals_mean_1'] = np.mean(x['vals'][x['var1'] > 15])
    d['vals_median_1'] = np.median(x['vals'][x['var1'] > 15])
    d['vals_sum_2'] = np.sum(x['vals'][x['var1'] > 20])
    d['vals_mean_2'] = np.mean(x['vals'][x['var1'] > 20])
    d['vals_median_2'] = np.median(x['vals'][x['var1'] > 20])    
    return pd.Series(d)

def f2(x):
    d = OrderedDict()
    idx1 = x.loc[x['var1'] > 15].index
    idx2 = x.loc[x['var1'] > 20].index
    d['vals_sum_1'] = np.sum(x['vals'][idx1])
    d['vals_mean_1'] = np.mean(x['vals'][idx1])
    d['vals_median_1'] = np.median(x['vals'][idx1])
    d['vals_sum_2'] = np.sum(x['vals'][idx2])
    d['vals_mean_2'] = np.mean(x['vals'][idx2])
    d['vals_median_2'] = np.median(x['vals'][idx2])   
    return pd.Series(d)  

start_time = time.time()
df_grp_1 = df_big.groupby('grp').apply(f1).reset_index()
gr1_time = time.time()
df_grp_2 = df_big.groupby('grp').apply(f2).reset_index()
gr2_time = time.time()

print("Using aggf1: %s seconds ---" % (gr1_time - start_time))
print("Using aggf2: %s seconds ---" % (gr2_time - gr1_time))

---

有许多重复的操作。通过删除重复索引，您可以看到~2倍因子的改善：

def f3(df):

    g1 = df.loc[df['var1'] > 15].groupby('grp')['vals']
    g2 = df.loc[df['var1'] > 20].groupby('grp')['vals']

    res = pd.DataFrame({'grp': df['grp'].unique()})

    for i, j in enumerate([g1, g2], 1):
        res['vals_sum_'+str(i)] = res['grp'].map(j.sum())
        res['vals_mean_'+str(i)] = res['grp'].map(j.mean())
        res['vals_median_'+str(i)] = res['grp'].map(j.median())

    return res

%timeit df_big.groupby('grp').apply(f1).reset_index()  # 349ms
%timeit df_big.groupby('grp').apply(f2).reset_index()  # 433ms
%timeit f3(df_big)                                     # 183ms

我的一步解决方案（虽然比@jpp慢一点）

---

回答得很好，这很有帮助。我可以问一下，这对

groupby

中的几个栏目会有什么作用，或者我应该发布一个新问题吗？我肯定这个方法可以扩展到更多栏目，但是可以-请作为一个新问题发布，这样我们就不会偏离您原来的问题。

df_big[df_big.var1 > 15]\
   .groupby('grp')\
   .vals.agg(['sum', 'mean', 'median'])\
   .rename(columns =
           {'sum': 'vals_sum_1',
            'mean': 'vals_mean_1',
            'median': 'vals_median_1'})\
   .join(
       df_big[df_big.var1 > 20]\
          .groupby('grp')\
          .vals.agg(['sum', 'mean', 'median'])\
          .rename(columns = 
                  {'sum': 'vals_sum_2',
                   'mean': 'vals_mean_2',
                   'median': 'vals_median_2'})
         ).reset_index()