У меня есть кадр данных pandas, который состоит из разных подгрупп.
df = pd.DataFrame({
'id':[1, 2, 3, 4, 5, 6, 7, 8],
'group':['a', 'a', 'a', 'a', 'b', 'b', 'b', 'b'],
'value':[.01, .4, .2, .3, .11, .21, .4, .01]
})
Я хочу найти ранг каждого идентификатора в своей группе, скажем, более низкие значения. В приведенном выше примере в группе A Id 1 будет иметь ранг 1, Id 2 будет иметь ранг 4. В группе B Id 5 будет иметь ранг 2, Id 8 будет иметь ранг 1 и так далее на.
Сейчас я оцениваю ряды:
Сортировка по значению.
df.sort('value', ascending = True, inplace=True)
Создайте функцию ранжирования (предполагается, что уже отсортированные переменные)
def ranker(df):
df['rank'] = np.arange(len(df)) + 1
return df
Применить функцию ранжирования для каждой группы отдельно:
df = df.groupby(['group']).apply(ranker)
Этот процесс работает, но он очень медленный, когда я запускаю его на миллионы строк данных. Есть ли у кого-нибудь идеи о том, как сделать более быструю функцию ранкера.
rank cythonized, поэтому он должен быть очень быстрым. И вы можете передать те же параметры, что и df.rank()
здесь являются документами для rank. Как вы можете видеть, тай-брейки могут выполняться одним из пяти способов с помощью аргумента method.
Также возможно, что вы просто хотите .cumcount() группы.
In [12]: df.groupby('group')['value'].rank(ascending=False)
Out[12]:
0 4
1 1
2 3
3 2
4 3
5 2
6 1
7 4
dtype: float64
Работа с большим DataFrame (13 миллионов строк), ранжирование метода с groupby превысило мой 8 ГБ оперативной памяти, и это заняло очень много времени. Я нашел обходное решение менее жадным в памяти, которое я здесь на всякий случай:
df.sort_values('value')
tmp = df.groupby('group').size()
rank = tmp.map(range)
rank =[item for sublist in rank for item in sublist]
df['rank'] = rank