聚合函数优化

Question

我有一个名为 customer_base 的数据集，包含超过 800K 行，如下所示：

ID	AGE	GENDER	OCCUPATION
1	64	101	"occ1"
2	64	100	"occ2"
2	66	100	Nan
2	Nan	100	"occ2"
3	Nan	101	"occ3"
3	Nan	Nan	Nan
3	32	Nan	Nan
.	.	.	.

经过分组操作后，所需的版本应如下所示：

ID	AGE	GENDER	OCCUPATION
1	64	101	"occ1"
2	66	100	"occ2"
3	32	101	"occ3"
.	.	.	.

之前我尝试了如下所示的代码示例以获得尽可能干净的 table，但它花费了太多时间。现在我需要一个更快的函数来获取 occupation 列的任何可用值。

customer_base.groupby("ID",
                      as_index=False).agg({"GENDER":"max",                                                              
                                           "AGE":"max",
                                           "OCCUPATION":lambda x: np.nan if len(x[x.notna()])==0 else x[x.notna()].values[0]})

在此先感谢您的优化想法，对于可能重复的问题感到抱歉

Answer 1

对第一个非 NaN 值使用 GroupBy.first：

df = customer_base.groupby("ID", as_index=False).agg({"AGE":"max",
                                                      "GENDER":"max",
                                                      "OCCUPATION":'first'})

print (df)
   ID   AGE  GENDER OCCUPATION
0   1  64.0   101.0     "occ1"
1   2  66.0   100.0     "occ2"
2   3  32.0   101.0     "occ3"

聚合函数优化

Aggregation function optimization

python

optimization

aggregate-functions

pandas

pandas-groupby