在熊猫中删除未使用类别的更快捷方法？

Question

我在Python中运行一些模型,在类别上使用数据子集.

对于内存使用和预处理,所有分类变量都存储为类别数据类型.

对于我的"分组依据"列中的分类变量的每个级别,我正在运行回归,我需要将所有分类变量重置为该子集中存在的变量.

我目前正在使用它.cat.remove_unused_categories(),这占我总运行时间的近50%.目前,最糟糕的罪犯是我的分组专栏,其他人没有花费太多时间(因为我猜没有多少级别下降).

这是一个简化的例子:

import itertools
import pandas as pd
#generate some fake data
alphabets = ['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n', 'o', 'p', 'q', 'r', 's', 't', 'u', 'v', 'w', 'x', 'y', 'z']
keywords = [''.join(i) for i in itertools.product(alphabets, repeat = 2)]
z = pd.DataFrame({'x':keywords})

#convert to category datatype
z.x = z.x.astype('category')

#groupby
z = z.groupby('x')

#loop over groups
for i in z.groups:
    x = z.get_group(i)
    x.x = x.x.cat.remove_unused_categories()
    #run my fancy model here

在我的笔记本电脑上,这需要大约20秒.对于这个小例子,我们可以转换为str,然后返回到类别以加速,但我的真实数据每组至少有300行.

有可能加快这个循环吗？我尝试过使用x.x = x.x.cat.set_categories(i)相似的时间,并且x.x.cat.categories = i要求我开始使用相同数量的类别.

Answer 1

你的问题是,你是分配z.get_group(i)到x. x现在是一部分的副本z.您的代码可以正常使用此更改

for i in z.groups:
    x = z.get_group(i).copy() # will no longer be tied to z
    x.x = x.x.cat.remove_unused_categories()