这是SKU关联性问题。我有一个这样的数据框。每个ctn_id具有多个sku_code。
dfr = pd.DataFrame(columns=['ctn_id','sku_code'])
dfr['ctn_id'] = np.random.randint(low=1,high=21,size=200)
dfr['sku_code'] = np.random.choice(['a','b','c','d'],size=200)
dfr.drop_duplicates(['ctn_id','sku_code'], inplace=True)
我要填充以下数据框。
dfx = pd.DataFrame(columns=['sku_code','a','b','c','d'])
dfx['sku_code'] = ['a','b','c','d']
dfx = dfx.fillna(0)
dfx.set_index('sku_code',inplace=True)
使用下面的逻辑
for idx in dfr['ctn_id'].unique():
x = list(dfr[dfr['ctn_id'] == idx]['sku_code'].unique())
for skui in dfx.index:
if skui in x:
for skuj in x:
dfx.loc[skui, skuj] = dfx.loc[skui, skuj] + 1
我有250万个ctn_id和400个sk_codes,总共进行了十亿次赋值操作。有没有更好的方法可以使用pandas或任何其他软件包来做到这一点?
答案 0 :(得分:2)
已更新,可以处理来自随机输入的重复
此答案假设没有重复的行(具有相同ctn_id和sku_code的行)。不过,您可以针对该用例轻松扩展此答案。
是的,您可以旋转数据框,使ctn_ids为行,而sku_codes为列。为此,您可以添加一个全为1的虚拟列,然后使用
green_variables.scss
现在,您基本上有一个稀疏矩阵,只要存在ctn_id / sku_code关系,它就为1,否则为0。从这里您可以使用矩阵代数。
dfr['Dummy'] = 1
piv = dfr.drop_duplicates().pivot('ctn_id', 'sku_code', 'Dummy').fillna(0.0)
变量mat = piv.values
counts = mat.T.dot(mat)
具有您要查找的内容(它将是对称的,值将是ctn_id中同时显示sku_code的次数,这是我相信您正在寻找的。) >
答案 1 :(得分:2)
对于具有ctn_id
的{{1}},我们可以使用基于 array-assignment 的方法来获取integers,
网格上的所有映射,然后使用矩阵乘法以获得合并总和,类似于@scomes's post
-
2D
替代#1
为了获得更好的性能,我们可以使用Ie = dfr.ctn_id.values
J = dfr.sku_code.values
I = pd.factorize(Ie,sort=False)[0]
col2IDs,col2L = pd.factorize(J,sort=True) #use sort=False if order is irrelevant
a = np.zeros((I.max()+1,col2IDs.max()+1),dtype=int)
a[I,col2IDs] = 1
df_out = pd.DataFrame(a.T.dot(a), columns=col2L, index=col2L)
值进行矩阵乘法。为此,请使用float
dtype获得float
。因此,像这样设置a
-
a
替代#2
或者使用布尔数组存储a = np.zeros((I.max()+1,col2IDs.max()+1),dtype=float)
,然后转换dtype:
1s
答案 2 :(得分:1)
好吧,我会试一试。
不确定这是否足够快,但我想这已经比您链接的for循环快得多。
它使用 hacky 方式执行“矢量化” 设置差异。
s = df.groupby(['sku_code']).ctn_id.agg(set)
pd.DataFrame(map(lambda s: list(map(len,s)), np.array(s) & np.array(s).reshape([-1,1])))
0 1 2 3
0 18 17 18 16
1 17 19 19 17
2 18 19 20 17
3 16 17 17 17
使用您提供的示例,性能提高了约100倍。
# your method
79.4 ms ± 3.3 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# my try
668 µs ± 30.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)