小编Els*_* Li的帖子

df = df.groupby(df.index).sum()

我有一个包含380万行（单列）的数据框，并且我试图按索引对它们进行分组。但是，它需要永远完成计算。是否有其他方法可以处理非常大的数据集？提前致谢！！！！

我正在用Python编写。

数据如下所示。索引是客户ID。我想组qty_liter通过Index。

df = df.groupby(df.index).sum()

但是这一行代码花了太多时间.....

有关此df的信息如下：

df.info()

<class 'pandas.core.frame.DataFrame'> Index: 3842595 entries, -2147153165 to \N Data columns (total 1 columns): qty_liter object dtypes: object(1) memory usage: 58.6+ MB

数据框具有字符串类型的日期列 '2017-01-01'

它转换为 DateType()

df = df.withColumn('date', col('date_string').cast(DateType()))

我想计算first day和last day列.我尝试使用以下代码,但它们不起作用.谁能提出任何建议？谢谢!

df.select('date').min()
df.select('date').max()

df.select('date').last_day()
df.select('date').first_day()

我有一个如下所示的数据框:

description     
1906 RES 330 ML
1906 RES 330ML
RES 335 c/6
RES 332 c/12

我想提取数字的三个连续数字并将其保存在新列"体积"中.我的代码是这样的:

df['volume'] = df['description'].str.extract('([([\d]*[\d]){3,3}?])')

预期的结果应该是这样的:

volume
330
330
335
332

但是,它给出了如下结果:

volume
1906
1906
335
332

任何人都可以帮我修复此代码吗？非常感谢!!!