我正在编写一些python代码,生成适合进一步EDA、BI和特征提取的数据帧
我有一个带有以下列的数据帧:
party_id client_id date_st
0 pid1 clid1 2019-07-01
1 pid2 clid3 2019-06-15
2 pid3 clid3 2019-06-14
3 pid4 clid2 2019-07-01
4 pid5 clid2 2019-04-03
5 pid6 clid3 2019-04-03
6 pid7 clid1 2019-05-20
如果party_id是唯一的,则其他Col不是唯一的。这意味着不止一个客户可以代表多个不同的当事人(即使在一个日期)。该方可被视为特定客户的独特交易
还有另一个数据帧:
fact_id client_id fact_date fact_sum
0 fid1 clid1 2018-06-02 24.37
1 fid2 clid1 2020-10-10 2.62
2 fid3 clid2 2016-01-04 47.52
3 fid4 clid3 2019-06-14 60.42
4 fid5 clid1 2019-04-03 32.77
5 fid6 clid2 2019-04-03 28.95
6 fid7 clid1 2019-05-20 46.49
7 fid8 clid2 2019-07-01 76.10
8 fid9 clid3 2018-12-15 85.27
9 fid10 clid1 2019-02-05 53.00
10 fid11 clid2 2017-03-18 19.25
11 fid12 clid3 2019-04-03 51.14
12 fid13 clid1 2019-02-08 56.89
13 fid14 clid2 2018-11-09 80.51
14 fid15 clid2 2019-08-15 68.08
如果事实id是唯一的,则其他COL不是唯一的。 此表表示以前与交易没有直接关联的客户购买
我需要如下构造的新数据帧: 对于应用程序中的每个party_id,我需要来自日期前但不早于半年前(可能更改)发生的事实的行子集。 换句话说,我需要在特定交易之前在一个窗口中进行所有购买
我不在乎两个不同的当事人是否在一次约会中得到两个相同的客户ID——这很正常。客户一天可以有两次不同的交易。我不需要任何聚合,因为这个数据帧将在tsfresh之类的框架中进行分析
到目前为止,如果迭代应用程序['party_id']并连接过滤后的数据帧,我所管理的每一次:
def parse_facts(app, facts, party_id, window):
clid = app[app['party_id']==party_id]['client_id'].values[0]
date_st = pd.to_datetime(app[app['party_id']==party_id]['date_st'].values[0])
temp_df = facts[
(facts['client_id']==clid)& \
(facts['fact_date']<date_st)& \
(facts['fact_date']>=date_st+datetime.timedelta(days=-window))].copy()
temp_df['party_id'] = party_id
return temp_df
new_facts = pd.concat([parse_facts(app, facts, i, 180) for i in app['party_id'].values], ignore_index=True)
生成的数据帧应如下所示:
new_facts[['party_id', 'client_id', 'fact_date', 'fact_sum']]
party_id client_id fact_date fact_sum
0 pid1 clid1 2019-04-03 32.77
1 pid1 clid1 2019-05-20 46.49
2 pid1 clid1 2019-02-05 53.00
3 pid1 clid1 2019-02-08 56.89
4 pid2 clid3 2019-06-14 60.42
5 pid2 clid3 2019-04-03 51.14
6 pid3 clid3 2019-04-03 51.14
7 pid4 clid2 2019-04-03 28.95
8 pid5 clid2 2018-11-09 80.51
9 pid6 clid3 2018-12-15 85.27
10 pid7 clid1 2019-04-03 32.77
11 pid7 clid1 2019-02-05 53.00
12 pid7 clid1 2019-02-08 56.89
我已经成功地解决了这个任务,但它在整个数据集上的性能非常差:5万个唯一的参与方和1100万个唯一的事实。这导致了我的机器(96核,512GRAM)在一个线程中运行数天的计算时间
你能提出一些改进和重构代码的方法吗?我知道循环是不好的风格,但我不知道如何在这个任务中避免循环
先通过
client_id
合并数据帧,然后过滤掉坏行,怎么样编辑:
我想到了更节省内存的解决方案:
它根据日期将数据帧划分为更小的块,因此没有任何重复。合并后的数据帧将更小,并准备连接到最终输出
相关问题 更多 >
编程相关推荐