Question

我有一个如下所示的数据框

我想知道是否存在一种最快的方法来在熊猫中创建一个python字典，该字典将保存如下所示的数据

table = {2: [4, 5, 6, 7, 8 ...], 4: [1, 2, 3, 4, ...]}

这里的键是用户ID，值是日期的唯一列表。

这可以在核心python的早期完成，但是想知道是否有基于pandas或numpy的方法来快速计算。我需要一个快速的解决方案，当此数据帧变大时，它可以很好地扩展。

编辑1：表演

花费的时间：每个循环14.3 ms±134 µs（平均±标准偏差，共运行7次，每个循环100个循环）

levels = pd.DataFrame({k: df.index.get_level_values(k) for k in range(2)})

table = levels.drop_duplicates()\
              .groupby(0)[1].apply(list)\
              .to_dict()

print(table)

花费的时间：每个循环17.4 ms±105 µs（平均±标准偏差，共运行7次，每个循环100个循环）

res.reset_index().drop_duplicates(['user_id','date']).groupby('user_id')['date'].apply(list).to_dict()

花费的时间：每循环294 ms±12.8 ms（平均±标准偏差，共运行7次，每个循环1次）

a = {k: list(pd.unique(list(zip(*g))[1])) 
     for k, g in groupby(df.index.values.tolist(), itemgetter(0))}
print (a)

花费的时间：每个循环15 ms±187 µs（平均±标准偏差，运行7次，每个循环100个循环）

pd.Series(res.index.get_level_values(1), index=res.index.get_level_values(0)).groupby(level=0).apply(set).to_dict()

编辑2：再次进行基准测试

错误的结果

idx = df.index.droplevel(-1).drop_duplicates()
l1, l2 = idx.levels
mapping = defaultdict(list)
for i, j in zip(l1, l2):
    mapping[i].append(j)

改进的时间：每个循环14.6 ms±58.8 µs（平均±标准偏差，共运行7次，每个循环100个循环）

a = {k: list(set(list(zip(*g))[1])) 
     for k, g in groupby(res.index.values.tolist(), itemgetter(0))}

Answer 1

来自Jz的数据

pd.Series(df.index.get_level_values(0),index=df.index.get_level_values(1)).groupby(level=0).apply(set).to_dict()
Out[92]: {4: {'a', 'b'}, 5: {'a', 'b'}}

如果仅需要列表，则可以添加apply(list) PS：个人认为不需要此步骤

pd.Series(df.index.get_level_values(0),index=df.index.get_level_values(1)).groupby(level=0).apply(set).apply(list).to_dict()
Out[93]: {4: ['b', 'a'], 5: ['b', 'a']}

Answer 2

这是使用drop_duplicates + groupby的一种解决方案。

levels = pd.DataFrame({k: df.index.get_level_values(k) for k in range(2)})

table = levels.drop_duplicates()\
              .groupby(0)[1].apply(list)\
              .to_dict()

print(table)

{1: [2, 3], 2: [8, 9]}

设置

df = pd.DataFrame([[1, 2, 0, 3], [1, 2, 1, 4], [1, 3, 1, 5],
                   [2, 8, 1, 3], [2, 8, 1, 4], [2, 9, 2, 5]],
                  columns=['col1', 'col2', 'col3', 'col4'])

df = df.set_index(['col1', 'col2', 'col3'])

print(df)

                col4
col1 col2 col3      
1    2    0        3
          1        4
     3    1        5
2    8    1        3
          1        4
     9    2        5

Answer 3

我认为，如果需要更好的性能，请将itertools.groupby与unique配合使用，以与原始数据相同的顺序返回列表。如果顺序不重要，请使用set：

df = pd.DataFrame({'A':list('abcdef'),
                   'B':[4,5,4,5,5,4],
                   'C':[7,8,9,4,2,3],
                   'D':[1,3,5,7,1,0],
                   'E':[5,3,6,9,2,4],
                   'F':list('aaabbb')}).set_index(['F','B', 'A'])

print (df)
       C  D  E
F B A         
a 4 a  7  1  5
  5 b  8  3  3
  4 c  9  5  6
b 5 d  4  7  9
    e  2  1  2
  4 f  3  0  4

from  itertools import groupby
from operator import itemgetter

a = {k: list(set(list(zip(*g))[1])) 
     for k, g in groupby(df.index.values.tolist(), itemgetter(0))}
print (a)
{'a': [4, 5], 'b': [5, 4]}

另一种熊猫解决方案：

d = df.reset_index().drop_duplicates(['F','B']).groupby('F')['B'].apply(list).to_dict()
print (d)
{'a': [4, 5], 'b': [5, 4]}

如何获取多索引数据帧的前两个索引的字典

3 个答案: