Question

在下文中，male_trips是一个大熊猫数据帧，而站点是一个小熊猫数据帧。对于每个电台，我想知道有多少次男性旅行。以下工作，但需要很长时间：

mc = [ sum( male_trips['start_station_id'] == id ) for id in stations['id'] ]

我应该怎么做呢？

更新！因此，有两种主要方法：groupby()后跟size()，更简单.value_counts()。我快速timeit，groupby方法获得了相当大的收益！这是代码：

from timeit import Timer
setup = "import pandas; male_trips=pandas.load('maletrips')"
a  = "male_trips.start_station_id.value_counts()"
b = "male_trips.groupby('start_station_id').size()"
Timer(a,setup).timeit(100)
Timer(b,setup).timeit(100)

以下是结果：

In [4]: Timer(a,setup).timeit(100) # <- this is value_counts
Out[4]: 9.709594964981079

In [5]: Timer(b,setup).timeit(100) # <- this is groupby / size
Out[5]: 1.5574288368225098

请注意，在此速度下，为了探索数据输入，value_counts会更快，更少记忆！

Answer 1

我喜欢Vishal，但不使用sum（）使用size（）来计算分配给每组'start_station_id'的行数。所以：

df = male_trips.groupby('start_station_id').size()

Answer 2

我的答案适用于Pandas 0.7.3。不确定新版本。

这是pandas.Series.value_counts方法的用途：

count_series = male_trips.start_station_id.value_counts()

然后应该直截了当地根据count_series中的值检查stations['id']。但是，如果您坚持仅考虑这些值，则可以执行以下操作：

count_series = (
                male_trips[male_trips.start_station_id.isin(stations.id.values)]
                    .start_station_id
                    .value_counts()
               )

这只会计算stations.id中实际找到的电台ID的计数。

Answer 3

male_trips.count()

不起作用？ http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.count.html

Answer 4

这需要多长时间：

df = male_trips.groupby('start_station_id').sum()

Answer 5

编辑：在上面的答案中看到isin和value_counts存在（并且value_counts甚至在pandas.core.algorithm和isin中都有自己的条目不仅仅是np.in1d）我更新了以下三种方法

male_trips.start_station_id[male_trips.start_station_id.isin(station.id)].value_counts()

您还可以在stations.id上进行内部联接： pd.merge(male_trips, station, left_on='start_station_id', right_on='id')后跟value_counts。或者：

male_trips.set_index('start_station_id, inplace=True)
station.set_index('id, inplace=True)
male_trips.ix[male_trips.index.intersection(station.index)].reset_index().start_station_id.value_counts()

如果您有时间我感兴趣的是，这对于巨大的DataFrame有何不同的表现。

熊猫：算一下

5 个答案: