熊猫groupby.size vs series.value_counts vs collections。具有多个系列的计数器
有很多问题处理的计数值 单一系列 。
但是，很少有问题希望找到 对两个或多个系列的组合
进行计数的最佳方法。解决方案呈现），但是，当和为什么要使用的每个没有讨论。
以下是三种潜在方法的一些基准测试。我有两个具体问题：
- 为什么
grouper比这更有效count？我希望count这样会更高效，因为它是用C语言实现的。grouper即使列数从2增加到4 ，持久化的卓越性能仍然存在。 - 为什么
value_counter表现grouper这么差？这是由于构建列表或从列表创建序列的成本吗？
我了解输出是不同的，这也应该为选择提供依据。例如，对于连续numpy数组而言，按计数进行过滤比对字典进行理解更为有效：
x, z = grouper(df), count(df)
%timeit x[x.values > 10] # 749µs
%timeit {k: v for k, v in z.items() if v > 10} # 9.37ms
但是，我的问题的重点是在系列与字典 中建立可比结果的性能 。我的C语言知识是有限的，但我希望您能提出任何指向这些方法背后逻辑的答案。
基准测试代码
import pandas as pd
import numpy as np
from collections import Counter
np.random.seed(0)
m, n = 1000, 100000
df = pd.DataFrame({'A': np.random.randint(0, m, n),
'B': np.random.randint(0, m, n)})
def grouper(df):
return df.groupby(['A', 'B'], sort=False).size()
def value_counter(df):
return pd.Series(list(zip(df.A, df.B))).value_counts(sort=False)
def count(df):
return Counter(zip(df.A.values, df.B.values))
x = value_counter(df).to_dict()
y = grouper(df).to_dict()
z = count(df)
assert (x == y) & (y == z), "Dictionary mismatch!"
for m, n in [(100, 10000), (1000, 10000), (100, 100000), (1000, 100000)]:
df = pd.DataFrame({'A': np.random.randint(0, m, n),
'B': np.random.randint(0, m, n)})
print(m, n)
%timeit grouper(df)
%timeit value_counter(df)
%timeit count(df)
基准测试结果
在python 3.6.2，pandas 0.20.3，numpy 1.13.1上运行
机器规格：Windows 7 64位，双核2.5 GHz，4GB RAM。
键：g = grouper，v = value_counter，c = count。
m n g v c
100 10000 2.91 18.30 8.41
1000 10000 4.10 27.20 6.98[1]
100 100000 17.90 130.00 84.50
1000 100000 43.90 309.00 93.50
1这不是错字。
-
实际上，中有一些隐藏的开销
zip(df.A.values,df.B.values)。关键在于numpy数组以与Python对象根本不同的方式存储在内存中。numpy数组（例如
np.arange(10)）本质上存储为连续的内存块，而不是单独的Python对象。相反，Python列表（例如list(range(10))，）作为指向各个Python对象（即，整数0-9）的指针存储在内存中。这种差异是为什么内存中的numpy数组比Python等效列表更小以及为什么可以对numpy数组执行更快的计算的基础。因此，就像
Counter消耗一样zip，需要将关联的元组创建为Python对象。这意味着Python需要从numpy数据中提取元组值，并在内存中创建相应的Python对象。这有明显的开销，这就是为什么在将纯Python函数与numpy数据结合使用时要非常小心。您可能会经常看到的这种陷阱的一个基本示例是在sumnumpy数组上使用内置的Python
：
sum(np.arange(10**5))实际上比纯Pythonsum(range(10**5))慢一点，当然两者都比慢得多np.sum(np.arange(10**5))作为特定于此问题的示例，请观察以下时序，比较
Counter压缩的numpy数组与相应的压缩的Python列表的性能。In [2]: a = np.random.randint(10**4, size=10**6) ...: b = np.random.randint(10**4, size=10**6) ...: a_list = a.tolist() ...: b_list = b.tolist() In [3]: %timeit Counter(zip(a, b)) 455 ms ± 4.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each) In [4]: %timeit Counter(zip(a_list, b_list)) 334 ms ± 4.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)这两个时间之间的差异使您可以合理地估算前面讨论的开销。
但这还不是故事的结局。
groupby在熊猫中构造一个对象也涉及一些开销，至少与这个问题有关，因为有些groupby元数据并不是严格地仅仅为了获取size而必需的，而Counter您所关心的是一件奇异的事情。通常，此开销远小于与关联的开销Counter，但是通过一些快速实验，我发现Counter当大多数组仅由单个元素组成时，您实际上可以获得略微更好的性能。考虑以下几个时间安排（使用@BallpointBen的
sort=False建议），这些时间安排在少数几个大型团体<->许多小型团体的范围内：def grouper(df): return df.groupby(['A', 'B'], sort=False).size() def count(df): return Counter(zip(df.A.values, df.B.values)) for m, n in [(10, 10**6), (10**3, 10**6), (10**7, 10**6)]: df = pd.DataFrame({'A': np.random.randint(0, m, n), 'B': np.random.randint(0, m, n)}) print(m, n) %timeit grouper(df) %timeit count(df)这给了我下表：
m grouper counter 10 62.9 ms 315 ms 10**3 191 ms 535 ms 10**7 514 ms 459 ms当然，如果您要作为最终对象，则
Counter可以通过转换回a来抵消的任何收益Series。
