python - Python Pandas 中的通用 Groupby : Fast way

Question

终极问题
有没有办法做一个不依赖于 pd.groupby 的通用的、高性能的 groupby 操作？
输入

pd.DataFrame([[1, '2020-02-01', 'a'], [1, '2020-02-10', 'b'], [1, '2020-02-17', 'c'], [2, '2020-02-02', 'd'], [2, '2020-03-06', 'b'], [2, '2020-04-17', 'c']], columns=['id', 'begin_date', 'status'])`

   id  begin_date status
0   1  2020-02-01      a
1   1  2020-02-10      b
2   1  2020-02-17      c
3   2  2020-02-02      d
4   2  2020-03-06      b

期望输出

   id status  count  uniquecount
0   1      a      1            1
1   1      b      1            1
2   1      c      1            1
3   2      b      1            1
4   2      c      1            1

问题
现在，使用 Pandas 在 Python 中有一种简单的方法可以做到这一点。

df = df.groupby(["id", "status"]).agg(count=("begin_date", "count"), uniquecount=("begin_date", lambda x: x.nunique())).reset_index()
# As commented, omitting the lambda and replacing it with "begin_date", "nunique" will be faster. Thanks!

对于较大的数据集，此操作很慢，我会猜测并说 O(n²)。
缺乏普遍适用性的现有解决方案
现在，经过一些谷歌搜索，StackOverflow 上有一些替代解决方案，可以使用 numpy、iterrows 或其他不同的方式。
Faster alternative to perform pandas groupby operation
Pandas fast weighted random choice from groupby
还有一个很棒的:
Groupby in python pandas: Fast Way
这些解决方案通常旨在在我的示例中创建“计数”或“唯一计数”，基本上是聚合值。但是，不幸的是，总是只有一个聚合，而不是多个 groupby 列。
此外，不幸的是，他们从未解释如何将它们合并到分组数据帧中。
有没有办法使用 itertools (就像这个答案: Faster alternative to perform pandas groupby operation ，或者甚至更好这个答案: Groupby in python pandas: Fast Way )不仅返回系列“计数”，而且以分组形式返回整个数据框？
终极问题
有没有办法做一个不依赖于 pd.groupby 的通用的、高性能的 groupby 操作？
这看起来像这样:

from typing import List
def fastGroupby(df, groupbyColumns: List[str], aggregateColumns):
    # numpy / iterrow magic
    return df_grouped

df = fastGroupby(df, ["id", "status"], {'status': 'count',
                             'status': 'count'}

并返回所需的输出。

Answer 1

开水前groupby我建议首先评估您是否真正利用了 groupby必须提供。
去掉 lambda赞成内置pd.DataFrameGroupBy方法。
很多Series和 DataFrame方法实现为 pd.DataFrameGroupBy方法。你应该直接使用它们，而不是用 groupby 调用它们。 + apply(lambda x: ...)此外，对于许多计算，您可以将问题重新构建为对整个 DataFrame 进行一些矢量化操作，然后使用在 cython 中实现的 groupby 方法。这会很快。
一个常见的例子是找到 'Y' 的比例。群内回答。一个直接的方法是检查每个组内的条件，然后得到比例:

N = 10**6
df = pd.DataFrame({'grp': np.random.choice(range(10000), N),
                   'answer': np.random.choice(['Y', 'N'], N)})

df.groupby('grp')['answer'].apply(lambda x: x.eq('Y').mean())

以这种方式思考问题需要 lambda ，因为我们在groupby内部做了两个操作；检查条件然后平均。这个完全相同的计算可以被认为是首先检查整个 DataFrame 的条件，然后计算组内的平均值:

df['answer'].eq('Y').groupby(df['grp']).mean()

这是一个很小的变化，但后果却是巨大的，随着群体数量的增加， yield 会越来越大。

%timeit df.groupby('grp')['answer'].apply(lambda x: x.eq('Y').mean())
#2.32 s ± 99.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%timeit df['answer'].eq('Y').groupby(df['grp']).mean()
#82.8 ms ± 995 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

添加 sort=False作为论据
默认 groupby对键的输出进行排序。如果没有理由对输出进行排序，您可以通过指定 sort=False 获得轻微的 yield 。

添加 observed=True作为论据
如果分组键是分类的，它将重新索引到所有可能的组合，即使对于从未出现在您的 DataFrame 中的组也是如此。如果这些都不重要，将它们从输出中移除将大大提高速度。

对于您的示例，我们可以检查差异。切换到 pd.DataFrameGroupBy.nunique 获得巨大 yield 删除排序会增加一点额外的速度。两者的结合提供了一个“相同”的解决方案(直到排序)，并且对于许多组来说快了近 100 倍。

import perfplot
import pandas as pd
import numpy

def agg_lambda(df):
    return df.groupby(['id', 'status']).agg(uniquecount=('Col4', lambda x: x.nunique()))
    
def agg_nunique(df):
    return df.groupby(['id', 'status']).agg(uniquecount=('Col4', 'nunique'))

def agg_nunique_nosort(df):
    return df.groupby(['id', 'status'], sort=False).agg(uniquecount=('Col4', 'nunique'))

perfplot.show(
    setup=lambda N: pd.DataFrame({'Col1': range(N),
                       'status': np.random.choice(np.arange(N), N),
                       'id': np.random.choice(np.arange(N), N),
                       'Col4': np.random.choice(np.arange(N), N)}),
    kernels=[
        lambda df: agg_lambda(df),
        lambda df: agg_nunique(df),
        lambda df: agg_nunique_nosort(df),
    ],
    labels=['Agg Lambda', 'Agg Nunique', 'Agg Nunique, No sort'],
    n_range=[2 ** k for k in range(20)],
    # Equality check same data, just allow for different sorting
    equality_check=lambda x,y: x.sort_index().compare(y.sort_index()).empty,
    xlabel="~ Number of Groups"
)