Question

如何将多维Grouper（在这种情况下为另一个数据框）用作另一个数据框的Grouper？可以一步完成吗？

我的问题本质上是关于在这种情况下如何执行实际分组，但是要使其更加具体，请说我想然后transform并接受sum。

例如，考虑：

df1 = pd.DataFrame({'a':[1,2,3,4], 'b':[5,6,7,8]})

print(df1)
   a  b
0  1  5
1  2  6
2  3  7
3  4  8

df2  = pd.DataFrame({'a':['A','B','A','B'], 'b':['A','A','B','B']})

print(df2)
   a  b
0  A  A
1  B  A
2  A  B
3  B  B

然后，预期输出将是：

a中的b和df1列分别由a中的b和df2列进行分组。

Answer 1

尝试使用apply将lambda函数应用于数据框的每一列，然后使用该pd.Series的名称对第二个数据框进行分组：

df1.apply(lambda x: x.groupby(df2[x.name]).transform('sum'))

输出：

Answer 2

由于每一列使用不同的分组方案，因此您必须将每一列分别分组。

如果您想要更简洁的版本，我建议您对列名称进行列表理解，并在结果系列中调用pd.concat：

pd.concat([df1[c].groupby(df2[c]).transform('sum') for c in df1.columns], axis=1)

   a   b
0  4  11
1  6  11
2  4  15
3  6  15

不用说像其他答案中那样使用apply有什么问题，只是我不喜欢apply，所以这是我的建议:-)

以下是一些值得您细读的时间。仅就您的样本数据而言，您会注意到时间上的差异是显而易见的。

%%timeit 
(df1.stack()
    .groupby([df2.stack().index.get_level_values(level=1), df2.stack()])
    .transform('sum').unstack())
%%timeit 
df1.apply(lambda x: x.groupby(df2[x.name]).transform('sum'))
%%timeit 
pd.concat([df1[c].groupby(df2[c]).transform('sum') for c in df1.columns], axis=1)

8.99 ms ± 4.55 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
8.35 ms ± 859 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)
6.13 ms ± 279 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

并不是说apply很慢，但是在这种情况下，显式迭代会更快。此外，由于迭代次数取决于列数，因此您会注意到第二和第三定时解决方案在长度v / s较大的情况下会更好地扩展。

Answer 3

使用stack和unstack

df1.stack().groupby([df2.stack().index.get_level_values(level=1),df2.stack()]).transform('sum').unstack()
Out[291]: 
   a   b
0  4  11
1  6  11
2  4  15
3  6  15

Answer 4

我将提出一个（主要）numpythonic解决方案，该解决方案使用scipy.sparse_matrix对整个DataFrame一次执行矢量化的groupby，而不是逐列地进行。

有效执行此操作的关键是找到一种高效的方法来分解整个DataFrame，同时避免在任何列中重复。由于您的组由字符串表示，因此您只需将列连接即可每个值末尾的名称（因为列应该是唯一的），然后将结果分解，如^[*]

>>> df2 + df2.columns
    a   b
0  Aa  Ab
1  Ba  Ab
2  Aa  Bb
3  Ba  Bb

>>> pd.factorize((df2 + df2.columns).values.ravel())
(array([0, 1, 2, 1, 0, 3, 2, 3], dtype=int64),
array(['Aa', 'Ab', 'Ba', 'Bb'], dtype=object))

一旦我们有了唯一的分组，就可以利用我们的scipy.sparse矩阵，对平坦化的数组进行一次遍历操作，并使用高级索引和整形操作将结果转换回原始数据形状。

from scipy import sparse

a = df1.values.ravel()
b, _ = pd.factorize((df2 + df2.columns).values.ravel())

o = sparse.csr_matrix(
    (a, b, np.arange(a.shape[0] + 1)), (a.shape[0], b.max() + 1)
).sum(0).A1

res = o[b].reshape(df1.shape)

array([[ 4, 11],
       [ 6, 11],
       [ 4, 15],
       [ 6, 15]], dtype=int64)

性能

功能

def gp_chris(f1, f2):
    a = f1.values.ravel()
    b, _ = pd.factorize((f2 + f2.columns).values.ravel())

    o = sparse.csr_matrix(
        (a, b, np.arange(a.shape[0] + 1)), (a.shape[0], b.max() + 1)
    ).sum(0).A1

    return pd.DataFrame(o[b].reshape(f1.shape), columns=df1.columns)


def gp_cs(f1, f2):
    return pd.concat([f1[c].groupby(f2[c]).transform('sum') for c in f1.columns], axis=1)


def gp_scott(f1, f2):
    return f1.apply(lambda x: x.groupby(f2[x.name]).transform('sum'))


def gp_wen(f1, f2):
    return f1.stack().groupby([f2.stack().index.get_level_values(level=1), f2.stack()]).transform('sum').unstack()

设置

import numpy as np
from scipy import sparse
import pandas as pd
import string
from timeit import timeit
import matplotlib.pyplot as plt
res = pd.DataFrame(
       index=[f'gp_{f}' for f in ('chris', 'cs', 'scott', 'wen')],
       columns=[10, 50, 100, 200, 400],
       dtype=float
)

for f in res.index:
    for c in res.columns:
        df1 = pd.DataFrame(np.random.rand(c, c))
        df2 = pd.DataFrame(np.random.choice(list(string.ascii_uppercase), (c, c)))
        df1.columns = df1.columns.astype(str)
        df2.columns = df2.columns.astype(str)

        stmt = '{}(df1, df2)'.format(f)
        setp = 'from __main__ import df1, df2, {}'.format(f)
        res.at[f, c] = timeit(stmt, setp, number=50)


ax = res.div(res.min()).T.plot(loglog=True)
ax.set_xlabel("N")
ax.set_ylabel("time (relative)")

plt.show()

结果

验证

df1 = pd.DataFrame(np.random.rand(10, 10))
df2 = pd.DataFrame(np.random.choice(list(string.ascii_uppercase), (10, 10)))
df1.columns = df1.columns.astype(str)
df2.columns = df2.columns.astype(str)

v = np.stack([gp_chris(df1, df2), gp_cs(df1, df2), gp_scott(df1, df2), gp_wen(df1, df2)])
print(np.all(v[:-1] == v[1:]))

True

要么我们都错了，要么我们都正确了：）

_{^[*]如果其中一项是列的串联，而另一项在串联之前发生，则有可能在此处获得重复的值。但是，在这种情况下，您无需进行太多调整即可修复它。}

Answer 5

您可以执行以下操作：

res = df1.assign(a_sum=lambda df: df['a'].groupby(df2['a']).transform('sum'))\
         .assign(b_sum=lambda df: df['b'].groupby(df2['b']).transform('sum'))

结果：

熊猫GroupBy

5 个答案:

性能