python - python 列表中每个唯一元素的所有索引

Question

我正在处理一个非常大的数据集(大约 7500 万个条目)，并且我正在尝试大幅缩短运行代码所需的时间(现在有一个循环，需要几个小时)天)并保持内存使用量极低。

我有两个长度相同的 numpy 数组(clients 和 units)。我的目标是获取第一个列表 (clients) 中出现值的每个索引的列表，然后找到第二个列表中每个索引处的条目总和。

这是我尝试过的(np是之前导入的numpy库)

# create a list of each value that appears in clients
unq = np.unique(clients)
arr = np.zeros(len(unq))
tmp = np.arange(len(clients))
# for each unique value i in clients
for i in range(len(unq)) :
    #create a list inds of all the indices that i occurs in clients
    inds = tmp[clients==unq[i]]
    # add the sum of all the elements in units at the indices inds to a list
    arr[i] = sum(units[inds])

有谁知道一种方法可以让我找到这些总和，而无需循环遍历 unq 中的每个元素？

Answer 1

与 Pandas ，这可以使用 grouby() 轻松完成功能:

import pandas as pd

# some fake data
df = pd.DataFrame({'clients': ['a', 'b', 'a', 'a'], 'units': [1, 1, 1, 1]})

print df.groupby(['clients'], sort=False).sum()

这会为您提供所需的输出:

         units
clients       
a            3
b            1

我使用 sort=False 选项，因为这可能会导致加速(默认情况下，条目将被排序，这对于巨大的数据集可能需要一些时间)。