python - Pandas => 按组获取第一个和最后一个元素的索引

Question

我有一个大约有 100M 行的数据框，(1.4Gb 内存)

给定输入:

df.head()

Out[1]:
     id    term     x
0     1     A       3
1     1     B       2
2     2     A       1
3     2     B       1
4     2     F       1
5     2     G       1
6     2     Z       1
7     3     K       1
8     3     M       1
9     3     N       1
10    3     Q       1
11    3     R       1
12    3     Z       1
13    4     F       1

我想为每个 id 检索第一行的索引。示例:

Out[1]:
     id    first_idx
0     1    0       
1     2    2       
2     3    7      
2     4    13

我目前的方法非常慢:

first_row = {}
last_id = None
first_row = None

#iterate over all rows
for idx,r in bow.iterrows():
    cid = r['id']
    if cid != last_id: #is this an ID we haven't seen before?
        first_row[cid] = idx
        last_id = cid

任何建议都会有很大的帮助。

Answer 1

我。对于一般情况

方法 #1 使用 np.unique -

idx = np.unique(df.id.values, return_index=1)[1]

要获取每个 ID 的最后索引，只需使用 flipped 版本并从数据帧的长度中减去 -

len(df)-np.unique(df.id.values[::-1], return_index=1)[1]-1

二。对于 id col 已经排序

方法 #2-A 我们可以使用 切片 来显着提高性能，因为我们可以避免排序 -

a = df.id.values
idx = np.concatenate(([0],np.flatnonzero(a[1:] != a[:-1])+1))

方法 #2-B 使用 masking(更适合大量 ID 号)

a = df.id.values
mask = np.concatenate(([True],a[1:] != a[:-1]))
idx = np.flatnonzero(mask)

对于最后一个索引:

np.flatnonzero(np.concatenate((a[1:] != a[:-1],[True])))

方法 #3 对于序号，我们可以使用 np.bincount -

a = df.id.values
idx = np.bincount(a).cumsum()[:-1]

sample 运行-

In [334]: df
Out[334]: 
    id term  x
0    1    A  3
1    1    B  2
2    2    A  1
3    2    B  1
4    2    F  1
5    2    G  1
6    2    Z  1
7    3    K  1
8    3    M  1
9    3    N  1
10   3    Q  1
11   3    R  1
12   3    Z  1
13   4    F  1

In [335]: idx = np.unique(df.id.values, return_index=1)[1]

In [336]: idx
Out[336]: array([ 0,  2,  7, 13])

如果您需要数据框中的输出 -

In [337]: a = df.id.values

In [338]: pd.DataFrame(np.column_stack((a[idx], idx)), columns=[['id','first_idx']])
Out[338]: 
   id  first_idx
0   1          0
1   2          2
2   3          7
3   4         13