我有一个产品合同的数据框(与Product_ID
)。这些合约在特定日期(StartDate
)打开并在特定时间关闭(CloseDate
)。也有可能此时此合约处于活动状态,因此没有CloseDate。python优化熊猫群
有多个客户有合同,引用ID
。这些客户在特定时刻填写调查表,这一时间以日期(Key_Date
)表示。
我想要计算的是几个特征,但是在这个例子中我将关注独特产品的数量。在填写调查问卷时,我想知道某位客户有多少独特产品。
我们有一个数据框df_result
,它具有客户的ID和他们在调查中填写的日期。在这个数据帧,我们也将追加计算出的特征:
import pandas as pd
import numpy as np
np.random.seed(256)
df_result = pd.DataFrame({'ID' : np.random.randint(3, size=(10)),
'Key_Date' : pd.date_range(start=pd.datetime(2015, 5, 21), periods=10, freq='m')})
df_result.head()
ID Key_Date
0 0 2015-05-31
1 2 2015-06-30
2 1 2015-07-31
3 0 2015-08-31
4 1 2015-09-30
我们也有不同的合同/产品数据帧,命名为df_products
:
np.random.seed(321)
df_products = pd.DataFrame({'ID' : np.random.randint(5, size=(10)),
'Product_ID' : np.random.randint(low = 101, high = 104, size=10),
'StartDate' : pd.date_range(start=pd.datetime(2015, 3, 1), periods=10, freq='m'),
'CloseDate' : pd.date_range(start=pd.datetime(2016, 1, 1), periods=10, freq='m')})
df_products.head()
CloseDate StartDate ID Product_ID
0 2016-01-31 2015-03-31 4 102
1 2016-02-29 2015-04-30 2 101
2 2016-03-31 2015-05-31 4 102
3 2016-04-30 2015-06-30 1 102
4 2016-05-31 2015-07-31 0 103
我做了一个函数来计算的独特产品填写调查的客户(合同在填写时仍处于活动状态)key_date
(所以合同的开始日期(StartDate
)在此日期之前,且结束日期(CloseDate
)在此日期之后) 。我也希望能够在填写日期前给出一个范围,例如,过去一年中所有独特的产品都是活跃的。所以即使是11个月前的封闭合约也会包括在内。我通过给出一个额外的参数timeperiod
来做到这一点,我减去填写日期(创建一个新的日期:low_date
)。然后,CloseDate
必须晚于low_date
,而不是key_date
。
def unique_products(df,timeperiod,ID,key_date):
low_date = key_date - relativedelta(months=timeperiod)
data = df.loc[(df['StartDate'] <= key_date) &
(df['CloseDate'] >= low_date) &
(df['ID'] == ID)].groupby(['ID'], as_index = False)['Product_ID'].nunique().reset_index()
if 'Product_ID' in list(data):
try:
return float(data['Product_ID'])
except:
return np.nan
此后,我在df_result
追加在名为unique_products
新列这些值:
df_result['unique_products'] = df_result.apply(lambda row: unique_products(df_products, 3, row['ID'], row['Key_Date']), axis=1)
df_result.head()
ID Key_Date unique_products
0 0 2015-05-31 NaN
1 2 2015-06-30 1.0
2 1 2015-07-31 1.0
3 0 2015-08-31 1.0
4 1 2015-09-30 2.0
但是将其应用到我的整个dateset时,它变得非常缓慢,由于这样的事实,每个surveyrow必须因为他们有不同的时间被评估。有什么办法可以改善吗?
感谢任何输入:)