Pandas 如何有效地计算分组数据框中的术语数？

对分组 DataFrame 中的术语进行计数：Pandas 解决方案

本文解决了对组内的术语进行计数并在 DataFrame 中总结结果的挑战。使用 Pandas，可以优雅地解决此任务，而无需诉诸低效的循环。考虑以下 DataFrame：

df = pd.DataFrame([
    (1, 1, 'term1'),
    (1, 2, 'term2'),
    (1, 1, 'term1'),
    (1, 1, 'term2'),
    (2, 2, 'term3'),
    (2, 3, 'term1'),
    (2, 2, 'term1')
])

目标是按“id”和“group”进行分组并计算每个“term”的出现次数。为了实现这一点，Pandas 提供了一个简洁的解决方案：

df.groupby(['id', 'group', 'term']).size().unstack(fill_value=0)

此操作按 'id'、'group' 和 'term' 列对 DataFrame 进行分组，计算每个唯一组合的出现次数，并返回一个汇总了具有多索引列和名为“size”的单值列（包含计数）的 DataFrame。 “unstack”函数将 DataFrame 重塑为宽格式，每个唯一术语用一列表示，如下所示：

id  group term   size
1   1     term1  3
    1     term2  2
    2     term3  1
2   2     term1  3

时序分析

对于更大的数据集，了解该解决方案的性能特征至关重要。为了评估这一点，请考虑使用以下代码生成一个包含 100 万行的 DataFrame：

df = pd.DataFrame(dict(id=np.random.choice(100, 1000000),
                       group=np.random.choice(20, 1000000),
                       term=np.random.choice(10, 1000000)))

分析分组和计数操作表明它甚至可以有效地处理大型数据集：

df.groupby(['id', 'group', 'term']).size().unstack(fill_value=0)

这种性能归功于 Pandas 底层分组和聚合机制的优化性质，使其成为高效处理大型数据集的优秀工具。

以上是Pandas 如何有效地计算分组数据框中的术语数？的详细内容。更多信息请关注PHP中文网其他相关文章！