我有以下数据帧(称为df(:
user_id product_id probReorder
0 1 196 1.0
1 1 10258 0.9
2 1 10326 0.1
3 1 12427 1.0
4 1 13032 0.3
...
对于df中的每个user_id,我只想保留"probReorder"列中具有最大值的 N 行。另外,我希望 N 依赖于user_id。 在我目前的方法中,我有一个字典"lastReordNumber",其键值对是(user_id,int(,我按如下方式选择行:
predictions = []
for usr,data in df.groupby(by="user_id"):
data = data.nlargest(lastReordNumber[usr], "probReorder")
predictions.append(data)
df = pd.concat(predictions)
问题是这真的很慢。数据帧有大约 13M 行和 200k 个唯一user_id。有没有更快/更好的方法?
编辑:当给定user_id的probReorder列中存在重复值时,前面的代码会产生意外的输出。例:
lastReordNumber = {1:2, 2:3}
df = pd.DataFrame({"user_id":[1,1,1,2,2,2,2],"probReorder":[0.9,0.6,0.9,0.1,1,0.5,0.4],
"product_id":[1,2,3,4,5,6,7]})
我得到输出:
probReorder product_id user_id
0 0.9 1 1
1 0.9 3 1
2 0.9 1 1
3 0.9 3 1
4 1.0 5 2
5 0.5 6 2
6 0.4 7 2
对于 user_id=2 是我所期望的,但对于 user_id=1,有重复的行。 我的预期输出是:
probReorder product_id user_id
0 0.9 1 1
1 0.9 3 1
2 1.0 5 2
3 0.5 6 2
4 0.4 7 2
这可以通过使用更简单的代码段获得
predictions = []
for usr,data in df.groupby(by="user_id"):
predictions.append(data.sort_values('probReorder', ascending=False).head(lastReordNumber[usr]))
predictions = pd.concat(predictions, ignore_index=True)
其中每一列都完全排序,然后被截断。这也是相当有效的。 不过,我还不明白如何解释 nlargest(( 方法的结果。
您可以将sort_values
与groupby
一起使用,head
:
df1 = df.sort_values('probReorder', ascending=False)
.groupby('user_id', group_keys=False)
.apply(lambda x: x.head([x.name]))
print (df1)
probReorder product_id user_id
0 0.9 1 1
2 0.9 3 1
4 1.0 5 2
5 0.5 6 2
6 0.4 7 2
nlargest
的另一个解决方案:
df1 = df.groupby('user_id', group_keys=False)
.apply(lambda x: x.nlargest(lastReordNumber[x.name], 'probReorder'))
print (df1)
probReorder product_id user_id
0 0.9 1 1
2 0.9 3 1
4 1.0 5 2
5 0.5 6 2
6 0.4 7 2