AskOverflow.Dev

AskOverflow.Dev Logo AskOverflow.Dev Logo

AskOverflow.Dev Navigation

  • 主页
  • 系统&网络
  • Ubuntu
  • Unix
  • DBA
  • Computer
  • Coding
  • LangChain

Mobile menu

Close
  • 主页
  • 系统&网络
    • 最新
    • 热门
    • 标签
  • Ubuntu
    • 最新
    • 热门
    • 标签
  • Unix
    • 最新
    • 标签
  • DBA
    • 最新
    • 标签
  • Computer
    • 最新
    • 标签
  • Coding
    • 最新
    • 标签
主页 / coding / 问题 / 79027616
Accepted
Ishigami
Ishigami
Asked: 2024-09-26 21:41:17 +0800 CST2024-09-26 21:41:17 +0800 CST 2024-09-26 21:41:17 +0800 CST

Pandas groupby 变换平均值,日期早于当前行,适用于巨大的数据框

  • 772

我有一个 Pandas 数据框,看起来像

df = pd.DataFrame([['John', '1/1/2017','10'],
                   ['John', '2/2/2017','15'],
                   ['John', '2/2/2017','20'],
                   ['John', '3/3/2017','30'],
                   ['Sue', '1/1/2017','10'],
                   ['Sue', '2/2/2017','15'],
                   ['Sue', '3/2/2017','20'],
                   ['Sue', '3/3/2017','7'],
                   ['Sue', '4/4/2017','20']],
                   columns=['Customer', 'Deposit_Date','DPD'])

我想创建一个名为 的新行PreviousMean。此列是该客户今年迄今为止的 DPD 平均值。即包括所有 DPD,但不包括与当前存款日期匹配的行。如果不存在以前的记录,则为空或 0。

因此期望的结果如下

  Customer Deposit_Date  DPD  PreviousMean
0     John   2017-01-01   10           NaN
1     John   2017-02-02   15          10.0
2     John   2017-02-02   20          10.0
3     John   2017-03-03   30          15.0
4      Sue   2017-01-01   10           NaN
5      Sue   2017-02-02   15          10.0
6      Sue   2017-03-02   20          12.5
7      Sue   2017-03-03    7          15.0
8      Sue   2017-04-04   20          13.0

在网站和互联网上进行一些研究后,找到了一个解决方案:

df['PreviousMean'] = df.apply(
    lambda x: df[(df.Customer == x.Customer) & (df.Deposit_Date < x.Deposit_Date)].DPD.mean(), 
axis=1)

并且运行良好。但是,我的实际数据帧要大得多(约 100 万行),上面的代码运行非常慢。有没有更好的方法?谢谢

python
  • 3 3 个回答
  • 44 Views

3 个回答

  • Voted
  1. Kirill Ilichev
    2024-09-26T21:54:04+08:002024-09-26T21:54:04+08:00

    尝试使用expanding!这里是示例:

    df['Deposit_Date']= pd.to_datetime(df['Deposit_Date'])
    df =df.sort_values(by=['Customer','Deposit_Date'])
    df['DPD']= pd.to_numeric(df['DPD'])
    df['PreviousMean'] = (
        df.groupby('Customer')['DPD']
        .expanding() #!!!
        .apply(lambda x: x[:-1].mean() if len(x) > 1 else float('nan'))
        .reset_index(level=0, drop=True)
    )
    
    • 1
  2. Best Answer
    mozway
    2024-09-26T21:56:28+08:002024-09-26T21:56:28+08:00

    您可以在输出日期时使用自定义的groupby.applywithexpanding.mean和 a :maskduplicatedffill

    df['Deposit_Date'] = pd.to_datetime(df['Deposit_Date'])
    df['PreviousMean'] = (df.groupby('Customer')
                            .apply(lambda s: s['DPD'].expanding().mean().shift()
                                                     .mask(lambda x: s['Deposit_Date'].duplicated())
                                                     .ffill(),
                                   include_groups=False)
                            .droplevel(0)
                         )
    

    注意:这是假设日期已排序。

    输出:

      Customer Deposit_Date DPD  PreviousMean
    0     John   2017-01-01  10           NaN
    1     John   2017-02-02  15          10.0
    2     John   2017-02-02  20          10.0
    3     John   2017-03-03  30          15.0
    4      Sue   2017-01-01  10           NaN
    5      Sue   2017-02-02  15          10.0
    6      Sue   2017-03-02  20          12.5
    7      Sue   2017-03-03   7          15.0
    8      Sue   2017-04-04  20          13.0
    

    中间体:

      Customer Deposit_Date DPD  expanding.mean  shift  duplicated  mask  PreviousMean
    0     John   2017-01-01  10           10.00    NaN       False   NaN           NaN
    1     John   2017-02-02  15           12.50   10.0       False  10.0          10.0
    2     John   2017-02-02  20           15.00   12.5        True   NaN          10.0
    3     John   2017-03-03  30           18.75   15.0       False  15.0          15.0
    4      Sue   2017-01-01  10           10.00    NaN       False   NaN           NaN
    5      Sue   2017-02-02  15           12.50   10.0       False  10.0          10.0
    6      Sue   2017-03-02  20           15.00   12.5       False  12.5          12.5
    7      Sue   2017-03-03   7           13.00   15.0       False  15.0          15.0
    8      Sue   2017-04-04  20           14.40   13.0       False  13.0          13.0
    
    • 1
  3. Rakesh Sharma
    2024-09-27T03:04:03+08:002024-09-27T03:04:03+08:00

    下面是更加优化后的版本代码,减少了组内排序等冗余操作,简化了扩展计算:

    import pandas as pd
    import numpy as np
    
    # Create the DataFrame
    df = pd.DataFrame([['John', '1/1/2017','10'],
                       ['John', '2/2/2017','15'],
                       ['John', '2/2/2017','20'],
                       ['John', '3/3/2017','30'],
                       ['Sue', '1/1/2017','10'],
                       ['Sue', '2/2/2017','15'],
                       ['Sue', '3/2/2017','20'],
                       ['Sue', '3/3/2017','7'],
                       ['Sue', '4/4/2017','20']],
                       columns=['Customer', 'Deposit_Date','DPD'])
    
    # Convert 'Deposit_Date' to datetime and 'DPD' to numeric
    df['Deposit_Date'] = pd.to_datetime(df['Deposit_Date'])
    df['DPD'] = pd.to_numeric(df['DPD'])
    
    # Sort by 'Customer' and 'Deposit_Date' once, outside the groupby
    df = df.sort_values(['Customer', 'Deposit_Date']).reset_index(drop=True)
    
    # Group the DataFrame by 'Customer'
    df['PreviousMean'] = df.groupby('Customer')['DPD'].expanding().apply(
        lambda x: np.nan if len(x) == 1 else x[:-1].mean()
    ).reset_index(level=0, drop=True)
    
    print(df)
    
    • 0

相关问题

  • 如何将 for 循环拆分为 3 个单独的数据框?

  • 如何检查 Pandas DataFrame 中的所有浮点列是否近似相等或接近

  • “load_dataset”如何工作,因为它没有检测示例文件?

  • 为什么 pandas.eval() 字符串比较返回 False

  • Python tkinter/ ttkboostrap dateentry 在只读状态下不起作用

Sidebar

Stats

  • 问题 205573
  • 回答 270741
  • 最佳答案 135370
  • 用户 68524
  • 热门
  • 回答
  • Marko Smith

    Vue 3:创建时出错“预期标识符但发现‘导入’”[重复]

    • 1 个回答
  • Marko Smith

    为什么这个简单而小的 Java 代码在所有 Graal JVM 上的运行速度都快 30 倍,但在任何 Oracle JVM 上却不行?

    • 1 个回答
  • Marko Smith

    具有指定基础类型但没有枚举器的“枚举类”的用途是什么?

    • 1 个回答
  • Marko Smith

    如何修复未手动导入的模块的 MODULE_NOT_FOUND 错误?

    • 6 个回答
  • Marko Smith

    `(表达式,左值) = 右值` 在 C 或 C++ 中是有效的赋值吗?为什么有些编译器会接受/拒绝它?

    • 3 个回答
  • Marko Smith

    何时应使用 std::inplace_vector 而不是 std::vector?

    • 3 个回答
  • Marko Smith

    在 C++ 中,一个不执行任何操作的空程序需要 204KB 的堆,但在 C 中则不需要

    • 1 个回答
  • Marko Smith

    PowerBI 目前与 BigQuery 不兼容:Simba 驱动程序与 Windows 更新有关

    • 2 个回答
  • Marko Smith

    AdMob:MobileAds.initialize() - 对于某些设备,“java.lang.Integer 无法转换为 java.lang.String”

    • 1 个回答
  • Marko Smith

    我正在尝试仅使用海龟随机和数学模块来制作吃豆人游戏

    • 1 个回答
  • Martin Hope
    Aleksandr Dubinsky 为什么 InetAddress 上的 switch 模式匹配会失败,并出现“未涵盖所有可能的输入值”? 2024-12-23 06:56:21 +0800 CST
  • Martin Hope
    Phillip Borge 为什么这个简单而小的 Java 代码在所有 Graal JVM 上的运行速度都快 30 倍,但在任何 Oracle JVM 上却不行? 2024-12-12 20:46:46 +0800 CST
  • Martin Hope
    Oodini 具有指定基础类型但没有枚举器的“枚举类”的用途是什么? 2024-12-12 06:27:11 +0800 CST
  • Martin Hope
    sleeptightAnsiC `(表达式,左值) = 右值` 在 C 或 C++ 中是有效的赋值吗?为什么有些编译器会接受/拒绝它? 2024-11-09 07:18:53 +0800 CST
  • Martin Hope
    The Mad Gamer 何时应使用 std::inplace_vector 而不是 std::vector? 2024-10-29 23:01:00 +0800 CST
  • Martin Hope
    Chad Feller 在 5.2 版中,bash 条件语句中的 [[ .. ]] 中的分号现在是可选的吗? 2024-10-21 05:50:33 +0800 CST
  • Martin Hope
    Wrench 为什么双破折号 (--) 会导致此 MariaDB 子句评估为 true? 2024-05-05 13:37:20 +0800 CST
  • Martin Hope
    Waket Zheng 为什么 `dict(id=1, **{'id': 2})` 有时会引发 `KeyError: 'id'` 而不是 TypeError? 2024-05-04 14:19:19 +0800 CST
  • Martin Hope
    user924 AdMob:MobileAds.initialize() - 对于某些设备,“java.lang.Integer 无法转换为 java.lang.String” 2024-03-20 03:12:31 +0800 CST
  • Martin Hope
    MarkB 为什么 GCC 生成有条件执行 SIMD 实现的代码? 2024-02-17 06:17:14 +0800 CST

热门标签

python javascript c++ c# java typescript sql reactjs html

Explore

  • 主页
  • 问题
    • 最新
    • 热门
  • 标签
  • 帮助

Footer

AskOverflow.Dev

关于我们

  • 关于我们
  • 联系我们

Legal Stuff

  • Privacy Policy

Language

  • Pt
  • Server
  • Unix

© 2023 AskOverflow.DEV All Rights Reserve