python - 迭代熊猫中唯一值的更快方法?
问题描述
我有一些熊猫代码我试图在一个大数据集上运行,尽管使用 apply 它看起来它本质上是迭代和运行缓慢......欢迎提供建议!
我正在尝试对我的数据进行分组。每行都有一个非唯一的事件 ID,每个事件 ID 可以包含多个事件。如果这些事件中的任何一个是特定类型,我希望具有该 ID 的每一行都有一个特定的标志 - 例如,这种类型的事件发生在这个 ID 中。然后我想要一个仅包含 ID 的数据框,该标志显示事件是否在该 ID 中发生。
这是我正在使用的代码:
no_duplicates = df.drop_duplicates(subset=["ID])
def add_to_clean(URN):
single_df = df[df["URN"] == URN].copy()
return single_df["Event_type"].sum() > 0
no_duplicates["Event_type"] = no_duplicates["ID"].swifter.apply(add_to_clean)
虽然我尝试使用应用而不是循环,但它似乎仍然在迭代整个代码并且需要很长时间。关于如何提高效率的任何想法?
解决方案
如果需要由聚合值填充的新列,请GroupBy.transform
改用apply
+ join
,但transform
仅使用一列Event_type
:
no_duplicates["Event_type"] = no_duplicates.groupby("URN").Event_type.transform('sum') > 0