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.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?我尝试过使用类似时间的x.x = x.x.cat.set_categories(i)和x.x.cat.categories = i,它要求我开始使用相同数量的类别.
最佳答案 您的问题在于您将z.get_group(i)分配给x. x现在是z的一部分的副本.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()