如何提高熊猫数据帧上的聚合操作速度?

Question

我有一个名为data_1的熊猫数据帧，如下所示：

tenant_id  tenant_class_id tenant_date
100         10001           2004-01-10
100         10001           2004-08-25
101         10001           2016-09-20
102         10002           2013-07-12
103         10003           2011-04-05
103         10004           2002-05-05
103         10003           2003-12-26

我的目标是为每个tenant_id找到最早/第一个tenant_date。tenant_id采用long格式，tenant_date采用datetime64格式

我使用此代码进行计算：

output = data_1.groupby(['tenant_id']).apply(lambda x: x.nsmallest(1, 'tenant_date')).reset_index(drop=1)

这对于较小的数据集非常有效，但我的data_1包含大约 2 亿行。此代码永远不会完成。我有足够的内存和大约 244 GB 的 RAM。 有没有更有效的方法来快速完成此操作？

Answer 1

排序然后使用drop_duplicates. 但请确保先将日期列转换为日期时间。

df['tenant_date'] = pd.to_datetime(df['tenant_date'])
df.sort_values(['tenant_id', 'tenant_date']).drop_duplicates('tenant_id')
tenant_id  tenant_class_id tenant_date
0        100            10001  2004-01-10
2        101            10001  2016-09-20
3        102            10002  2013-07-12
5        103            10004  2002-05-05

Answer 2

你可以试试sort_values+drop_duplicates：

output = data_1.sort_values(['tenant_id','tenant_date']).drop_duplicates(['tenant_id'])

或sort_values+GroupBy.head：

output = data_1.sort_values(['tenant_id','tenant_date']).groupby(['tenant_id']).head(1)

或按idxmin计算每组的最小指数：

output = data_1.loc[data_1.groupby(['tenant_id'])['tenant_date'].idxmin()]

或：

output = data_1.set_index(['tenant_class_id'])
.groupby(['tenant_id'])['tenant_date'].nsmallest(1).reset_index()

时间：

np.random.seed(123)
N = 1000000
L = pd.date_range('2015-01-01', '2018-01-01')
df = pd.DataFrame({'tenant_date': np.random.choice(L, size=N),
'tenant_id':np.random.randint(1000,size=N),
'tenant_class_id':np.random.randint(1000,size=N)})
print (df)
In [99]: %timeit data_1.sort_values(['tenant_id','tenant_date']).drop_duplicates(['tenant_id'])
1000 loops, best of 3: 1.97 ms per loop
In [100]: %timeit data_1.sort_values(['tenant_id','tenant_date']).groupby(['tenant_id']).head(1)
1000 loops, best of 3: 2.07 ms per loop
In [101]: %timeit data_1.loc[data_1.groupby(['tenant_id'])['tenant_date'].idxmin()]
100 loops, best of 3: 2.04 ms per loop
In [102]: %timeit data_1.set_index(['tenant_class_id']).groupby(['tenant_id'])['tenant_date'].nsmallest(1).reset_index()
100 loops, best of 3: 8.64 ms per loop
In [103]: %timeit data_1.groupby(['tenant_id']).apply(lambda x: x.nsmallest(1, 'tenant_date')).reset_index(drop=1)
100 loops, best of 3: 11.4 ms per loop

警告

考虑到组的数量，结果没有解决性能问题，这将对其中一些解决方案的时间产生很大影响。