python - 使用 pandas，我如何有效地按组对大型 DataFrame 进行子采样？

Question

我正在尝试根据分组对 DataFrame 的行进行子采样。这是一个例子。假设我定义了以下数据:

from pandas import *
df = DataFrame({'group1' : ["a","b","a","a","b","c","c","c","c",
                            "c","a","a","a","b","b","b","b"],
                'group2' : [1,2,3,4,1,3,5,6,5,4,1,2,3,4,3,2,1],
                'value'  : ["apple","pear","orange","apple",
                            "banana","durian","lemon","lime",
                            "raspberry","durian","peach","nectarine",
                            "banana","lemon","guava","blackberry","grape"]})

如果我按 group1 和 group2 分组，那么每组中的行数如下:

In [190]: df.groupby(['group1','group2'])['value'].agg({'count':len})
Out[190]: 
      count
a  1  2    
   2  1    
   3  2    
   4  1    
b  1  2    
   2  2    
   3  1    
   4  1    
c  3  1    
   4  1    
   5  2    
   6  1    

(如果有更简洁的计算方法，请告诉。)

我现在想构建一个 DataFrame，其中有一个从每个组中随机选择的行。我的建议是这样做:

In [215]: from random import choice
In [216]: grouped = df.groupby(['group1','group2'])
In [217]: subsampled = grouped.apply(lambda x: df.reindex(index=[choice(range(len(x)))]))
In [218]: subsampled.index = range(len(subsampled))
In [219]: subsampled
Out[219]: 
    group1  group2  value
0   b       2       pear 
1   a       1       apple
2   b       2       pear 
3   a       1       apple
4   a       1       apple
5   a       1       apple
6   a       1       apple
7   a       1       apple
8   a       1       apple
9   a       1       apple
10  a       1       apple
11  a       1       apple

哪个有效。但是，我的真实数据大约有 250 万行和 12 列。如果我通过构建自己的数据结构以肮脏的方式执行此操作，我可以在几秒钟内完成此操作。然而，我上面的实现并没有在 30 分钟内完成(而且似乎没有内存限制)。作为旁注，当我尝试在 R 中实现它时，我首先尝试了 plyr，它也没有在合理的时间内完成；然而，使用 data.table 的解决方案很快就完成了。

如何让它与 pandas 一起快速工作？我想要这个包，所以请帮忙!

Answer 1

我用apply测试过，好像子组很多的时候，很慢。 grouped 的 groups 属性是一个字典，可以直接从中选择索引:

subsampled = df.ix[(choice(x) for x in grouped.groups.itervalues())]

编辑:从 pandas 版本 0.18.1 开始，itervalues 不再适用于 groupby 对象 - 您可以只使用 .values:

subsampled = df.ix[(choice(x) for x in grouped.groups.values())]