我正在寻找一种高效的全 Pandas 方式来创建带有组编号的数组(对于原始数据框中的每一行,我想要一个数字来告诉我该行属于哪个组):
df = pandas.DataFrame({'a': [1, 1, 1, 2, 2, 2], 'b': [1, 2, 1, 1, 2, 1]})
groups = df.groupby(['a', 'b'])
group_names = sorted(groups.groups.keys())
group_indices = np.array(df.index)
for index, group in enumerate(group_names):
group_indices[groups.indices[group]] = index
哪里
In : df
Out]:
a b
0 1 1
1 1 2
2 1 1
3 2 1
4 2 2
5 2 1
In : groups.indices
Out:
{(1, 1): array([0, 2]),
(1, 2): array([1]),
(2, 1): array([3, 5]),
(2, 2): array([4])}
In : group_indices
Out: array([0, 1, 0, 2, 3, 2])
我的问题是,如果 df
约为 20000x100(64 位 float )并且我按两列进行分组,则内存使用量将超过 6 GB。这远远超出了我的预期。
最佳答案
索引已嵌入到 groupby 对象中
In [52]: groups.grouper.levels
Out[52]: [Int64Index([1, 2], dtype=int64), Int64Index([1, 2], dtype=int64)]
In [53]: groups.grouper.labels
Out[53]: [array([0, 0, 0, 1, 1, 1]), array([0, 1, 0, 0, 1, 0])]
In [57]: l = groups.grouper.labels
In [58]: zip(*l)
Out[58]: [(0, 0), (0, 1), (0, 0), (1, 0), (1, 1), (1, 0)]
In [18]: groups.grouper.group_info
Out[18]: (array([0, 1, 0, 2, 3, 2]), array([0, 1, 2, 3]), 4)
简单的查找操作,因为这些操作已经在分组对象上计算
In [19]: groups.grouper.group_info[0]
Out[19]: array([0, 1, 0, 2, 3, 2])
关于group-by - Pandas:使用组索引创建数组,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/17403886/