python - Verifique la lista de referencias en la columna de pandas usando vectorización numpy

Question

Tengo una lista de referencias

ref = [''September'', ''August'', ''July'', ''June'', ''May'', ''April'', ''March'']

Y un marco de datos

df = pd.DataFrame({''Month_List'': [[''July''], [''August''], [''July'', ''June''], [''May'', ''April'', ''March'']]})
df
    Month_List
0   [July]
1   [August]
2   [July, June]
3   [May, April, March]

Quiero verificar qué elementos de la lista de referencia están presentes en cada fila y convertirlos en una lista binaria

Puedo lograr esto usando apply

def convert_month_to_binary(ref,lst):
    s = pd.Series(ref)
    return s.isin(lst).astype(int).tolist()  

df[''Binary_Month_List''] = df[''Month_List''].apply(lambda x: convert_month_to_binary(ref, x))
df

    Month_List          Binary_Month_List
0   [July]              [0, 0, 1, 0, 0, 0, 0]
1   [August]            [0, 1, 0, 0, 0, 0, 0]
2   [July, June]        [0, 0, 1, 1, 0, 0, 0]
3   [May, April, March] [0, 0, 0, 0, 1, 1, 1]

Sin embargo, el uso de apply en grandes conjuntos de datos es muy lento y, por lo tanto, estoy buscando usar una vectorización numpy. ¿Cómo puedo mejorar mi rendimiento?

Extensión :

Quería usar numpy vectorization porque ahora necesito aplicar otra función en esta lista

Estoy intentando así, pero el rendimiento es muy lento. Resultados similares con apply

def count_one(lst):
    index = [i for i, e in enumerate(lst) if e != 0] 
    return len(index)

vfunc = np.vectorize(count_one)
df[''Value''] = vfunc(df[''Binary_Month_List'']) 

Answer 1

Aquí hay uno con las herramientas NumPy:

def isin_lists(df_col, ref):
    a = np.concatenate(df_col)
    b = np.asarray(ref)

    sidx = b.argsort()
    c = sidx[np.searchsorted(b,a,sorter=sidx)]

    l = np.array([len(i) for i in df_col])
    r = np.repeat(np.arange(len(l)),l)

    out = np.zeros((len(l),len(b)), dtype=bool)
    out[r,c] = 1
    return out.view(''i1'')

Salida para muestra dada -

In [79]: bin_ar = isin_lists(df[''Month_List''], ref)

In [80]: bin_ar
Out[80]: 
array([[0, 0, 1, 0, 0, 0, 0],
       [0, 1, 0, 0, 0, 0, 0],
       [0, 0, 1, 1, 0, 0, 0],
       [0, 0, 0, 0, 1, 1, 1]], dtype=int8)

# To assign as lists for each row into `df`
In [81]: df[''Binary_Month_List''] = bin_ar.tolist()

# To get counts
In [82]: df[''Value''] = bin_ar.sum(1)

In [83]: df
Out[83]: 
            Month_List      Binary_Month_List  Value
0               [July]  [0, 0, 1, 0, 0, 0, 0]      1
1             [August]  [0, 1, 0, 0, 0, 0, 0]      1
2         [July, June]  [0, 0, 1, 1, 0, 0, 0]      2
3  [May, April, March]  [0, 0, 0, 0, 1, 1, 1]      3

Si no puede usar el bin_ar intermedio por alguna razón y solo ''Binary_Month_List'' encabezado ''Binary_Month_List'' para trabajar con -

In [15]: df[''Value''] = np.vstack(df[''Binary_Month_List'']).sum(axis=1)

Answer 2

En pandas es mejor no usar las list esta manera , pero es posible con MultiLabelBinarizer y DataFrame.reindex para agregar categorías faltantes, convertir los últimos valores a una matriz numpy y luego list si el rendimiento es importante:

from sklearn.preprocessing import MultiLabelBinarizer

mlb = MultiLabelBinarizer()
df1 = pd.DataFrame(mlb.fit_transform(df[''Month_List'']),columns=mlb.classes_)
df[''Binary_Month_List''] = df1.reindex(columns=ref, fill_value=0).values.tolist()

O con Series.str.join , Series.str.get_dummies y Series.str.get_dummies :

df[''Binary_Month_List''] = (df[''Month_List''].str.join(''|'')
                                           .str.get_dummies()
                                           .reindex(columns=ref, fill_value=0)
                                           .values
                                           .tolist())
print (df)
            Month_List      Binary_Month_List
0               [July]  [0, 0, 1, 0, 0, 0, 0]
1             [August]  [0, 1, 0, 0, 0, 0, 0]
2         [July, June]  [0, 0, 1, 1, 0, 0, 0]
3  [May, April, March]  [0, 0, 0, 0, 1, 1, 1]

El rendimiento es diferente:

df = pd.concat([df] * 1000, ignore_index=True)

from sklearn.preprocessing import MultiLabelBinarizer

mlb = MultiLabelBinarizer()

In [338]: %timeit (df[''Month_List''].str.join(''|'').str.get_dummies().reindex(columns=ref, fill_value=0).values.tolist())
31.4 ms ± 1.41 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [339]: %timeit pd.DataFrame(mlb.fit_transform(df[''Month_List'']),columns=mlb.classes_).reindex(columns=ref, fill_value=0).values.tolist()
5.57 ms ± 94.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [340]: %timeit df[''Binary_Month_List2''] =df.Month_List.explode().str.get_dummies().sum(level=0).reindex(columns=ref, fill_value=0).values.tolist()
58.6 ms ± 461 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

Answer 3

Podemos usar la explode con get_dummies , observe que la explode está disponible después de 0.25

df.Month_List.explode().str.get_dummies().sum(level=0).reindex(columns=ref, fill_value=0).values.tolist()
Out[79]: 
[[0, 0, 1, 0, 0, 0, 0],
 [0, 1, 0, 0, 0, 0, 0],
 [0, 0, 1, 1, 0, 0, 0],
 [0, 0, 0, 0, 1, 1, 1]]

#df[''new'']=df.Month_List.explode().str.get_dummies().sum(level=0).reindex(columns=ref, fill_value=0).values.tolist()