Question

在本教程中提到，pandas groupby对象是惰性的。

它本质上是懒惰的。它实际上并没有做任何操作来产生有用的结果，直到您这么说。

和

还值得一提的是.groupby（）确实完成了部分但并非全部操作，通过为每个对象构建一个Grouping类实例来完成拆分工作您传递的密钥。但是，BaseGrouper的许多方法拥有这些分组的类被称为懒惰而不是 init （），并且许多还使用缓存的属性设计。

所以我进行了一些测试，以确保groupby确实很懒。

让我们

df=pd.DataFrame(np.random.randint(1,10,size=(1000000,4)))

然后

%timeit gg=df.groupby(1)
35.6 µs ± 110 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

几乎不需要时间。还有

%timeit res=gg.get_group(1)
2.76 ms ± 8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

时间更长，并且比

快一点

%timeit res=df[df[1]==1]
6.87 ms ± 16.9 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

另一方面，如果我们首先提取组

%timeit gdict=df.groupby(1).groups
15.7 ms ± 35.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

然后，获取组不需要任何时间

%timeit gdict[1]
29.8 ns ± 0.0989 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

所以我的问题是

为什么熊猫设计groupby为懒惰？在实际应用中，我认为我几乎总是需要对组对象执行许多进一步的操作。如果组对象最初在拆分数据帧时比较懒，那么每次进行诸如get_group等操作时，都会浪费时间。
我也不理解“ .groupby（）通过为您传递的每个键构建一个Grouping类实例来完成部分拆分工作，但不是全部”，这是什么意思？
是否可以使groupby对象不偷懒？

Answer 1

你需要一个更大的基准：

import numpy as np, pandas as pd
df=pd.DataFrame(np.random.randint(1,10,size=(100000000,4))) #3GB data
gg=df.groupby(1)
%time _ = gg.get_group(1) #first call slow
%time _ = gg.get_group(1) #fast
%time _ = gg.get_group(2) #other group lookup is also fast 
%timeit _ = gg.get_group(1) #gives wrong result

Groupby 是懒惰的，因为它不会立即计算 groups。它在向他们提出第一个请求时这样做。或者当你使用 IPython 并在光标下点击带有 gg 的 tab 时。可以看到是否跟踪进程的内存消耗。或者你可以在 IPython 案例中感受一下。

很难猜测引擎盖下发生了什么，但 get_group 似乎有自己的缓存，而 groups 和 sum 或 min 等方法共享一个.可能会尝试最小化不同用例的内存使用量。无论如何，在第一次使用后，懒惰就消失了。

最后的测试是错误的。 gg.groups 包含 indexex，而不是组本身：

%timeit df.loc[gdict[1]]  #It is actually the slowest
1.23 s ± 26.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit df[df[1]==1]
928 ms ± 23.5 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit gg.get_group(1)
510 ms ± 30.1 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

从字典中检索项目确实快了数千倍，但是你会用空间换取速度。

如果您绝对确定需要在同一组上多次运行函数，您可以尝试对列上的数据框进行排序并保存组切片。

%time df = df.sort_values(1,ignore_index=True)
#Wall time: 10.3 s
%time ids = df[1].diff().to_numpy().nonzero()[0]
#Wall time: 1.88 s
%time gl = {df[1][v] : slice(v,ids[i+1] if (i+1)<len(ids) else None) for i,v in enumerate(ids)}
#Wall time: 112 µs
%timeit df[gl[1]]
#12.1 µs ± 208 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

对于某些用例，排序数据可能最快。

%timeit {k:df[v].sum() for k,v in gl.items()}
1.16 s ± 42.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit gg.sum()
2.73 s ± 29.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit {x: gg.get_group(x).sum() for x in range(1,10)}
4.23 s ± 61.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

如何使大熊猫不偷懒？

1 个答案: