Groupby和命名聚合|优化Pandas中的数据帧生成

Question

我在Pandas中有一个带有一些列的数据框，类似于：

data = {
    'CODIGO_SINIESTRO': [10476434, 10476434, 4482524, 4482524, 4486110],
    'CONDICION': ['PASAJERO', 'CONDUCTOR', 'MOTOCICLISTA', 'CICLISTA', 'PEATON'],
    'EDAD': [62.0, 29.0, 26.0, 47.0, 33.0],
    'SEXO': ['MASCULINO', 'FEMENINO', 'FEMENINO', 'MASCULINO', 'FEMENINO']
}

df = pd.DataFrame(data)

输出：

    CODIGO_SINIESTRO    CONDICION       EDAD    SEXO
0   10476434            PASAJERO        62.0    MASCULINO
1   10476434            CONDUCTOR       29.0    MASCULINO
2   4482524             MOTOCICLISTA    26.0    MASCULINO
3   4482524             CICLISTA        47.0    MASCULINO
4   4486110             PEATON          33.0    FEMENINO

因此，我想创建另一个按'CODIGO_SINIESTRO'列分组的数据帧，并希望得到以下类似result的列：

• 'CODIGO_SINIESTRO'：行的Id
• 'PROMEDIO_EDAD'：此列将存储edad平均值
• 'CANTIDAD_HOMBRES'：此列将基于'SEXO'列存储阳性计数
• 'CANTIDAD_HOMBRES'：此列将基于'SEXO'列存储女性元素计数

最后，我需要五个额外的列，它们的名称等于'CONDICION'列的四个可能值，如果值存在，这些值将存储1，如果值不存在，则存储0

因此，我编写了这个解决方案并按预期工作，但是我的数据集中有很多行（150k+），而且解决方案很慢（5分钟）。这是我的代码：

df_final = df.groupby(['CODIGO_SINIESTRO']).agg(
    CANTIDAD_HOMBRES=pd.NamedAgg(column='SEXO', aggfunc=lambda x: (x=='MASCULINO').sum()),
    CANTIDAD_MUJERES=pd.NamedAgg(column='SEXO', aggfunc=lambda x: (x=='FEMENINO').sum()),
    PROMEDIO_EDAD=pd.NamedAgg(column='EDAD', aggfunc=np.mean),
    MOTOCICLISTA=pd.NamedAgg(column='CONDICION', aggfunc=lambda x: (x=='MOTOCICLISTA').any().astype(int)),
    CONDUCTOR=pd.NamedAgg(column='CONDICION', aggfunc=lambda x: (x=='CONDUCTOR').any().astype(int)),
    PEATON=pd.NamedAgg(column='CONDICION', aggfunc=lambda x: (x=='PEATON').any().astype(int)),
    CICLISTA=pd.NamedAgg(column='CONDICION', aggfunc=lambda x: (x=='CICLISTA').any().astype(int)),
    PASAJERO=pd.NamedAgg(column='CONDICION', aggfunc=lambda x: (x=='PASAJERO').any().astype(int))
).reset_index()

输出：

    CODIGO_SINIESTRO    CANTIDAD_HOMBRES    CANTIDAD_MUJERES    PROMEDIO_EDAD ...    
                                                    
 0    4482524                  1                      1               36.5  
 1    4486110                  0                      1               33.0  
 2    10476434                 1                      1               45.5


... MOTOCICLISTA    CONDUCTOR   PEATON  CICLISTA    PASAJERO
        1               0         0        1           0
        0               0         1        0           0
        0               1         0        0           1

如何优化此解决方案？还有其他解决方法吗

多谢各位

Answer 1

使用矢量化方法进行预聚合应该效率更高（结果是速度快了100倍）：

df['PROMEDIO_EDAD']= df.groupby('CODIGO_SINIESTRO')['EDAD'].transform(np.mean)
df['CANTIDAD_HOMBRES'] = np.where(df['SEXO'] == 'MASCULINO', 1, 0)
df['CANTIDAD_MUJERES'] = np.where(df['SEXO'] == 'FEMENINO', 1, 0)
for col in df['CONDICION'].unique():
    df[col] = np.where(df['CONDICION'] == col, 1, 0)
df = df.groupby(['CODIGO_SINIESTRO', 'PROMEDIO_EDAD']).sum().reset_index().drop('EDAD', axis=1)
df.iloc[:,2:] = (df.iloc[:,2:] > 0).astype(int)
df
Out[1]: 
   CODIGO_SINIESTRO  PROMEDIO_EDAD  CANTIDAD_HOMBRES  CANTIDAD_MUJERES  \
0           4482524           36.5                 1                 1   
1           4486110           33.0                 0                 1   
2          10476434           45.5                 1                 1   

   PASAJERO  CONDUCTOR  MOTOCICLISTA  CICLISTA  PEATON  
0         0          0             1         1       0  
1         0          0             0         0       1  
2         1          1             0         0       0