熊猫=＆gt;按组

Question

我的数据帧大约有100M行（内存为1.4Gb）

鉴于输入：

df.head()

Out[1]:
     id    term     x
0     1     A       3
1     1     B       2
2     2     A       1
3     2     B       1
4     2     F       1
5     2     G       1
6     2     Z       1
7     3     K       1
8     3     M       1
9     3     N       1
10    3     Q       1
11    3     R       1
12    3     Z       1
13    4     F       1

我想检索每个id的第一行索引。例如：

Out[1]:
     id    first_idx
0     1    0       
1     2    2       
2     3    7      
2     4    13

我目前的做法非常缓慢：

first_row = {}
last_id = None
first_row = None

#iterate over all rows
for idx,r in bow.iterrows():
    cid = r['id']
    if cid != last_id: #is this an ID we haven't seen before?
        first_row[cid] = idx
        last_id = cid

任何建议都会有很大的帮助。

Answer 1

予。对于通用案例

方法＃1 使用np.unique -

idx = np.unique(df.id.values, return_index=1)[1]

要获取每个ID的最后一个索引，只需使用flipped版本并从数据框的长度中减去 -

len(df)-np.unique(df.id.values[::-1], return_index=1)[1]-1

II。已经对id col进行了排序

方法＃2-A 我们可以使用slicing来显着提升性能，因为我们会避免排序 -

a = df.id.values
idx = np.concatenate(([0],np.flatnonzero(a[1:] != a[:-1])+1))

方法＃2-B 使用masking（对于大量身份证号码更好）

a = df.id.values
mask = np.concatenate(([True],a[1:] != a[:-1]))
idx = np.flatnonzero(mask)

对于最后一个索引：

np.flatnonzero(np.concatenate((a[1:] != a[:-1],[True])))

方法＃3 对于序列号，我们可以使用np.bincount -

a = df.id.values
idx = np.bincount(a).cumsum()[:-1]

示例运行 -

In [334]: df
Out[334]: 
    id term  x
0    1    A  3
1    1    B  2
2    2    A  1
3    2    B  1
4    2    F  1
5    2    G  1
6    2    Z  1
7    3    K  1
8    3    M  1
9    3    N  1
10   3    Q  1
11   3    R  1
12   3    Z  1
13   4    F  1

In [335]: idx = np.unique(df.id.values, return_index=1)[1]

In [336]: idx
Out[336]: array([ 0,  2,  7, 13])

如果您需要数据框中的输出 -

In [337]: a = df.id.values

In [338]: pd.DataFrame(np.column_stack((a[idx], idx)), columns=[['id','first_idx']])
Out[338]: 
   id  first_idx
0   1          0
1   2          2
2   3          7
3   4         13

Answer 2

使用DataFrameGroupBy.agg：

df = df.index.to_series().groupby(df['id']).first().reset_index(name='x')
print (df)
   id   x
0   1   0
1   2   2
2   3   7
3   4  13

如果还想要最后的索引值：

df = df.index.to_series().groupby(df['id']).agg(['first','last']).reset_index()
print (df)
   id  first  last
0   1      0     1
1   2      2     6
2   3      7    12
3   4     13    13

Answer 3

为了完整起见：

last

df.reset_index().groupby("id")["index"].last() id 1 1 2 6 3 12 4 13 ：

df.drop_duplicates('id').reset_index()
1.64 ms ± 31.8 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

df.reset_index().groupby("id")["index"].first()
1.93 ms ± 8.08 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

df.groupby('id', as_index=False)['x'].agg(lambda x: x.index[0])
7.96 ms ± 419 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

df.index.to_series().groupby(df['id']).first().reset_index(name='x')
3.11 ms ± 77.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

定时：

{{1}}

Answer 4

... HEAD

drop_duplicates