python - 更有效的方法:按变量分组的许多列的 value_counts (in %)
问题描述
我正在研究一个用例,其中我对每个 id 的许多特征进行了许多观察,并且我需要计算每列每个 id 的值的频率(约 5 个离散值)。
我有一个解决方案,它适用于相当小的数据集(例如 < 100 万行),但在我的整个数据集(将来可能会变得更大)上失败,因为它填满了我的 RAM。我找不到一个干净的 groupby 解决方案,因为我需要同时为许多列执行此操作。
样本数据:
import pandas as pd
import numpy as np
n = 100 # Number of features
m = 100 # Number of classes
k = 10000 # number of occurrences per class
possible_values = [1, 2, 3, 4, 5]
df = []
for i in range(m):
for j in range(k):
df.append( np.append(i, np.random.choice(possible_values, n)) )
features = [f"feature{i}" for i in range(n)]
df = pd.DataFrame(df, columns=(["id"] + features))
如果没有 groupby 情况,这很容易:
df[features].apply(pd.value_counts).T / df.shape[0]
我的方法
melted = df.melt(id_vars="id", var_name='feature', value_name='value')
feature_freq_id = pd.crosstab(index=[melted.id, melted.feature], columns=melted.value).reset_index()
feature_freq_id[possible_values] = feature_freq_id[possible_values].div(feature_freq_id[possible_values].sum(axis=1), axis=0)
问题是melted
有n*m*k
行。我的数据集有 >250 个特征、>200 个 id 和每个 id 约 5k 观察值,这意味着melted
将有 >2.5 亿行。这导致我的记忆最终被填满,python 死了。
预期结果:
feature_freq_id.head(3)
ID | 特征 | 1 | 2 | 3 | 4 | 5 | |
---|---|---|---|---|---|---|---|
0 | 0 | 特征0 | 0.183 | 0.185 | 0.226 | 0.187 | 0.219 |
1 | 0 | 特色1 | 0.178 | 0.222 | 0.209 | 0.209 | 0.182 |
2 | 0 | 功能10 | 0.215 | 0.213 | 0.175 | 0.196 | 0.201 |
解决方案
只是一个想法:结合你的“简单”方法使用groupby
:id
def fractions(sdf):
return sdf.apply(pd.value_counts, normalize=True).fillna(0.).T
result = df.groupby("id")[features].apply(fractions)
result.index.set_names("feature", level=1, inplace=True)
这应该避免内存melt
下降?
推荐阅读
- stata - 在汇总表中显示子组的计数
- corda - 如何监控排水过程中的流量?
- annotations - @Activate 内的 Sling ResourceResolverFactory 抛出 RunTimeException
- javascript - 如何使用承诺返回 TypeError - javascript
- mysql - mysql需要对一列进行完整计数并按某些列分组
- c# - Autofac 没有从 Multi Target .Net 标准库中加载模块
- pixi.js - 使用法线贴图旋转对象而不破坏照明的策略
- python - 使用正则表达式提取文件名
- android - 如何在Android中只查看两个TextView
- python - 如何在 SQLAlchemy ORM 中同时过滤多列中的位置