计算迭代中熊猫数据帧的平均值

Question

我有一个巨大的CSV文件，像这样

代码、持续时间

票价：101、32 元

票价：205、111 元

722， 33

票价：205、67

元

722， 33

票价：205、241 元

现在我正在读取块中的文件，因为文件非常大。如何计算每个代码的平均持续时间并将其保存到CSV文件？

谢谢

Answer 1

您可以按代码分组并存储 'Code' 的计数和总和，'Duration' ; 像这样：

import pandas as pd
def f(g):
    return pd.DataFrame({'count': [g.shape[0]], 'sum': [g['Duration'].sum()]})
reader = pd.read_csv('data.csv',chunksize=2)
acc = pd.DataFrame({})
for chunk in reader:
    acc = acc.add(chunk.groupby('Code').apply(f).reset_index(level=1,drop=True),fill_value=0)
acc['avg'] = acc['sum']/acc['count']
print acc
acc.to_csv('avg_codes.csv',cols=['avg'],index_label='Code')

终端输出：

      count  sum         avg
Code                        
101       1   32   32.000000
205       3  419  139.666667
722       2   66   33.000000

文件avg_codes.csv中的输出：

Code,avg
101,32.0
205,139.66666666666666
722,33.0

Answer 2

不是pandas但它可以工作并且内存高效。

import csv
from collections defaultdict
code_counts = defaultdict(int)
code_durations = defaultdict(int)
with open('yourfile.csv', 'rb') as f:
    reader = csv.reader(f)
    next(reader) # discard header row
    for code, duration in reader:
        code_counts[code] += 1
        code_durations[code] += int(duration)    
code_averages = {code: code_duratons[code] / float(code_counts[code]) for code in code_counts}

Answer 3

对

每个数据帧使用groupby.size和groupby.sum，然后将它们简化为结果：

import numpy as np
import pandas as pd
c = np.random.randint(100, 10000, 100000)
d = np.random.rand(100000)
df = pd.DataFrame({"c":c, "d":d})
r1 = df.groupby("c").d.mean()
counts = []
sums = []
for i in range(10):
    df2 = df[i*10000:(i+1)*10000]
    g = df2.groupby("c").d
    counts.append(g.size())
    sums.append(g.sum())
from functools import partial
func = partial(pd.Series.add, fill_value=0)
r2 = reduce(func,  sums) / reduce(func, counts).astype(float)

您还可以在最后一步使用以下代码：

r3 = pd.concat(sums, axis=1).sum(axis=1) / pd.concat(counts, axis=1).sum(axis=1).astype(float)

要检查结果，请执行以下操作：

print np.allclose(r1, r2)
print np.allclose(r1, r3)