熊猫：选择行针对groupby.sum（）满足条件

Question

在熊猫我有以下形式的数据帧：

>>> import pandas as pd 
>>> df = pd.DataFrame({'ID':[51,51,51,24,24,24,31], 'x':[0,1,0,0,1,1,0]}) 
>>> df 

ID x 
51 0 
51 1 
51 0 
24 0 
24 1 
24 1 
31 0 

对于每一个“ID”的“X”被记录几倍的值，它是0或1.我想从df中选择那些包含'ID'的'ID'至少两次的行。

对于每一个“ID”我设法count次“X”的个数为1，由

>>> df.groupby('ID')['x'].sum() 

ID 
51 1 
24 2 
31 0 

但我不知道如何从这里着手。我想下面的输出：

ID x 
24 0 
24 1 
24 1 

Answer 1

使用groupby和filter

df.groupby('ID').filter(lambda s: s.x.sum()>=2) 

输出：

ID x 
3 24 0 
4 24 1 
5 24 1 

Answer 2

df = pd.DataFrame({'ID':[51,51,51,24,24,24,31], 'x':[0,1,0,0,1,1,0]}) 
df.loc[df.groupby(['ID'])['x'].transform(func=sum)>=2,:] 
out: 
    ID x 
3 24 0 
4 24 1 
5 24 1 

Answer 3

使用np.bincount和pd.factorize
替代进阶ANCE技术，画出更好的性能

f, u = df.ID.factorize() 
df[np.bincount(f, df.x.values)[f] >= 2] 

    ID x 
3 24 0 
4 24 1 
5 24 1 

---

在厌恶one-liner形式

df[(lambda f, w: np.bincount(f, w)[f] >= 2)(df.ID.factorize()[0], df.x.values)] 

    ID x 
3 24 0 
4 24 1 
5 24 1 

---

np.bincount和np.unique
我本可以用np.unique与return_inverse参数来完成日同样的事情。但是，np.unique将对数组进行排序并将改变解决方案的时间复杂度。

u, f = np.unique(df.ID.values, return_inverse=True) 
df[np.bincount(f, df.x.values)[f] >= 2] 

---

一衬垫

df[(lambda f, w: np.bincount(f, w)[f] >= 2)(np.unique(df.ID.values, return_inverse=True)[1], df.x.values)] 

---

时序

%timeit df[(lambda f, w: np.bincount(f, w)[f] >= 2)(df.ID.factorize()[0], df.x.values)] 
%timeit df[(lambda f, w: np.bincount(f, w)[f] >= 2)(np.unique(df.ID.values, return_inverse=True)[1], df.x.values)] 
%timeit df.groupby('ID').filter(lambda s: s.x.sum()>=2) 
%timeit df.loc[df.groupby(['ID'])['x'].transform(func=sum)>=2] 
%timeit df.loc[df.groupby(['ID'])['x'].transform('sum')>=2] 

小数据

1000 loops, best of 3: 302 µs per loop 
1000 loops, best of 3: 241 µs per loop 
1000 loops, best of 3: 1.52 ms per loop 
1000 loops, best of 3: 1.2 ms per loop 
1000 loops, best of 3: 1.21 ms per loop 

大数据

np.random.seed([3,1415]) 
df = pd.DataFrame(dict(
     ID=np.random.randint(100, size=10000), 
     x=np.random.randint(2, size=10000) 
    )) 

1000 loops, best of 3: 528 µs per loop 
1000 loops, best of 3: 847 µs per loop 
10 loops, best of 3: 20.9 ms per loop 
1000 loops, best of 3: 1.47 ms per loop 
1000 loops, best of 3: 1.55 ms per loop 

更大的数据

np.random.seed([3,1415]) 
df = pd.DataFrame(dict(
     ID=np.random.randint(100, size=100000), 
     x=np.random.randint(2, size=100000) 
    )) 

1000 loops, best of 3: 2.01 ms per loop 
100 loops, best of 3: 6.44 ms per loop 
10 loops, best of 3: 29.4 ms per loop 
100 loops, best of 3: 3.84 ms per loop 
100 loops, best of 3: 3.74 ms per loop