Question

当我致电df.groupby([...]).apply(lambda x: ...)时，表现非常糟糕。是否有更快/更直接的方式来进行这种简单的查询？

为了证明我的观点，下面是一些设置DataFrame的代码：

import pandas as pd

df = pd.DataFrame(data=
    {'ticker': ['AAPL','AAPL','AAPL','IBM','IBM','IBM'],
       'side': ['B','B','S','S','S','B'],
       'size': [100, 200, 300, 400, 100, 200],
      'price': [10.12, 10.13, 10.14, 20.3, 20.2, 20.1]})


    price   side     size   ticker
0   10.12   B        100    AAPL
1   10.13   B        200    AAPL
2   10.14   S        300    AAPL
3   20.30   S        400    IBM
4   20.20   S        100    IBM
5   20.10   B        200    IBM

现在这里是我需要加速的极慢的部分：

%timeit avgpx = df.groupby(['ticker','side']) \
.apply(lambda group: (group['size'] * group['price']).sum() / group['size'].sum())

3.23 ms ± 148 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

这会产生正确的结果，但正如您在上面所看到的那样，需要超长（3.23ms看起来不多，但这只有6行......当我在真实数据集上使用它时，它需要永久）

ticker  side
AAPL    B       10.126667
        S       10.140000
IBM     B       20.100000
        S       20.280000
dtype: float64

Answer 1

您可以通过预先计算产品并摆脱apply来节省一些时间。

df['scaled_size'] = df['size'] * df['price']
g = df.groupby(['ticker', 'side'])

g['scaled_size'].sum() / g['size'].sum()

ticker  side
AAPL    B       10.126667
        S       10.140000
IBM     B       20.100000
        S       20.280000
dtype: float64

100 loops, best of 3: 2.58 ms per loop

完整性检查

df.groupby(['ticker','side']).apply(lambda group: 
       (group['size'] * group['price']).sum() / group['size'].sum())

ticker  side
AAPL    B       10.126667
        S       10.140000
IBM     B       20.100000
        S       20.280000
dtype: float64

100 loops, best of 3: 5.02 ms per loop

摆脱apply似乎导致我的机器加速2倍。

pandas groupby apply非常慢

1 个答案: