在参加机器学习比赛的时候,有点时候给的 row data 不像kaggle上面那么规整,常常需要做一些特征提取和清洗的工作
在参加某个比赛的时候,我发现了用groupby提取一些统计特征,比手写的for循环快了不知好几百倍
因为之前是学JAVA的,所以钟爱于for循环,但是在参加比赛的时候,我手写了个两重for循环吧,由于数据比较大,有7G的文件,然后需要关联不同的表,查出一些统计特征作为特征分析
举个例题,比如说,有一张班级表(字段是:学号+班级号),有另一张表是金额表(字段是:学号+金额)
现在的任务是找出每个班最穷的人
下面是我敲的实验代码:
import time
from sklearn.utils import shuffle
import numpy as np
import pandas as pd
#有一千个班级,每个班级两千人,共有两百万人
class_num=1000
people_per_class=2000
sample_num=people_per_class*class_num
#构建表格
class_no=list(range(1,class_num+1))*people_per_class
c=shuffle(np.array(class_no)).reshape(sample_num,1)
s=np.array(range(1,sample