pandas：使用 numba 进行 groupby 应用

Question

使用pandas v1.1.0。

在 pandas 文档中，有一个很好的示例，介绍如何使用 numba 来加速

rolling.apply()

操作这里

import pandas as pd
import numpy as np

def mad(x):
    return np.fabs(x - x.mean()).mean()

df = pd.DataFrame({"A": np.random.randn(100_000)},
                  index=pd.date_range('1/1/2000', periods=100_000, freq='T')
).cumsum()

df.rolling(10).apply(mad, engine="numba", raw=True)

我想将其调整为适用于 groupby 操作：

df['day'] = df.index.day
df.groupby('day').agg(mad)

工作正常。

但是

df.groupby('day').agg(mad, engine='numba')

错误和给出

---------------------------------------------------------------------------
NumbaUtilError                            Traceback (most recent call last)
<ipython-input-21-ee23f1eec685> in <module>
----> 1 df.groupby('day').agg(mad, engine='numba')

~\AppData\Local\Continuum\anaconda3\envs\ds-cit-dev\lib\site-packages\pandas\core\groupby\generic.py in aggregate(self, func, engine, engine_kwargs, *args, **kwargs)
    939 
    940         if maybe_use_numba(engine):
--> 941             return self._python_agg_general(
    942                 func, *args, engine=engine, engine_kwargs=engine_kwargs, **kwargs
    943             )

~\AppData\Local\Continuum\anaconda3\envs\ds-cit-dev\lib\site-packages\pandas\core\groupby\groupby.py in _python_agg_general(self, func, engine, engine_kwargs, *args, **kwargs)
   1068 
   1069             if maybe_use_numba(engine):
-> 1070                 result, counts = self.grouper.agg_series(
   1071                     obj,
   1072                     func,

~\AppData\Local\Continuum\anaconda3\envs\ds-cit-dev\lib\site-packages\pandas\core\groupby\ops.py in agg_series(self, obj, func, engine, engine_kwargs, *args, **kwargs)
    623 
    624         if maybe_use_numba(engine):
--> 625             return self._aggregate_series_pure_python(
    626                 obj, func, *args, engine=engine, engine_kwargs=engine_kwargs, **kwargs
    627             )

~\AppData\Local\Continuum\anaconda3\envs\ds-cit-dev\lib\site-packages\pandas\core\groupby\ops.py in _aggregate_series_pure_python(self, obj, func, engine, engine_kwargs, *args, **kwargs)
    681 
    682         if maybe_use_numba(engine):
--> 683             numba_func, cache_key = generate_numba_func(
    684                 func, engine_kwargs, kwargs, "groupby_agg"
    685             )

~\AppData\Local\Continuum\anaconda3\envs\ds-cit-dev\lib\site-packages\pandas\core\util\numba_.py in generate_numba_func(func, engine_kwargs, kwargs, cache_key_str)
    215     nopython, nogil, parallel = get_jit_arguments(engine_kwargs)
    216     check_kwargs_and_nopython(kwargs, nopython)
--> 217     validate_udf(func)
    218     cache_key = (func, cache_key_str)
    219     numba_func = NUMBA_FUNC_CACHE.get(

~\AppData\Local\Continuum\anaconda3\envs\ds-cit-dev\lib\site-packages\pandas\core\util\numba_.py in validate_udf(func)
    177         or udf_signature[:min_number_args] != expected_args
    178     ):
--> 179         raise NumbaUtilError(
    180             f"The first {min_number_args} arguments to {func.__name__} must be "
    181             f"{expected_args}"

NumbaUtilError: The first 2 arguments to mad must be ['values', 'index']

我猜测

engine=numba

预计数据会略有不同。

Answer 1

您尝试过 Bodo 吗？它构建在 Numba 之上并直接支持 Pandas。例如：

pip install bodo

import pandas as pd
import numpy as np
import bodo

def mad(x):
    return np.fabs(x - x.mean()).mean()

np.random.seed(0)
df = pd.DataFrame({"A": np.random.randn(100_000)},
                  index=pd.date_range('1/1/2000', periods=100_000, freq='T')
).cumsum()

@bodo.jit(distributed=False)
def f(df):
    df['day'] = df.index.day
    df2 = df.groupby('day').agg(mad)
    return df2

df2 = f(df)
print(df2)

这个示例似乎太小，无法从编译中受益，但这可能对您的实际用例有所帮助。

Answer 2

我自己也遇到过这个问题。显然，要使用 pandas + numba 引擎，您需要以f(value, index)

的格式实现自定义函数。

根据文档（GroupBy.transform）：

如果选择“numba”引擎，该函数必须是用户定义的 以值和索引作为第一个和第二个参数的函数 分别在函数签名中。每个组的索引将是 传递给用户定义的函数并可选择使用。

我有一个简单的函数

f(x)

返回一个

int

，我想在groupby中使用它。要使其与 numba 一起工作，只需将函数修改为 

f(values, index)

，这样 numba 例程就有一个有效的参数来将索引传递给函数。

上一个功能（工作正常，但不适用于 numba）：

def equal_weight(arr) -> int:
    '''
    returns a float of 1/n where 'n' is the number of rows
    '''
    return 1 / len(arr)

新功能，兼容numba引擎：

def equal_weight(values, index) -> int:
    '''
    returns a float of 1/n where 'n' is the number of rows
    '''
    return 1 / len(values)

Answer 3

试试这个

df.groupby('day').agg(mad(df.groupby(day)), engine='numba') 不确定 😕 但它说第 2 个参数必须是

["values", 'index']

 我认为它可以与数据框一起使用。