使用 NaN 获取 pandas 系列模式的最快方法

我需要找到 pandas groupby 对象或单个系列的模式/最常见元素，为此我有以下函数：

def get_most_common(srs):
    from collections import Counter
    import numpy as np

    x = list(srs)
    my_counter = Counter(x)
    if np.nan not in my_counter.keys():
        most_common_value = my_counter.most_common(1)[0][0]
    else:
        most_common_value = srs.mode(dropna=False).iloc[0]

    return most_common_value

如果出现平局，我不在乎选择哪一个——随机就可以了。

Counter当没有 NaN 时速度更快，但当有 NaN 时给出错误结果。pd.Series.mode总是正确的，但它比Counter当没有 NaN 时。这是一场赌博（由于额外的检查，当没有 NaN 时速度更快，但当有 NaN 时速度更慢）np.nan not in my_counter.keys()）。到目前为止，我在大型数据集上获得了令人满意的性能，可能是因为在很多情况下没有 NaN。但有没有办法让它更快呢？

我觉得很奇怪你得到了better性能使用Counter。这是我的测试结果（n=10000):

Using Series.mode on Series with nan: 52.41649858
Using Series.mode on Series without nan: 17.186453438
Using Counter on Series with nan: 269.33117825500005
Using Counter on Series without nan: 134.207576572

#-----------------------------------------------------#

             Series.mode  Counter
             -----------  -------------
With nan     52.42s       269.33s
Without nan  17.19s       134.21s

测试代码：

import timeit

setup = '''
import pandas as pd
from collections import Counter

def get_most_common(srs):
    return srs.mode(dropna=False)[0]

def get_most_common_counter(srs):
    x = list(srs)
    my_counter = Counter(x)
    return my_counter.most_common(1)[0][0]

df = pd.read_csv(r'large.data')
'''

print(f"""Using Series.mode on Series with nan: {timeit.timeit('get_most_common(df["has_nan"])', setup=setup, number=10000)}""")
print(f"""Using Series.mode on Series without nan: {timeit.timeit('get_most_common(df["no_nan"])', setup=setup, number=10000)}""")
print(f"""Using Counter on Series with nan: {timeit.timeit('get_most_common_counter(df["has_nan"])', setup=setup, number=10000)}""")
print(f"""Using Counter on Series without nan: {timeit.timeit('get_most_common_counter(df["no_nan"])', setup=setup, number=10000)}""")

large.data是 2 x 50000 行DataFrame随机 2 位数字字符串0 to 99, where has_nan has a mode of nan=551.

如果有的话，你的if np.nan not in my_counter.keys()条件总是会被触发，因为np.nan 不在my_counter.keys()。所以实际上你从未使用过pd.Series.mode，它一直在使用Counter。正如另一个问题中提到的，因为你的pandas对象已经创建了副本np.nan内Series/DataFrame, the in条件永远不会被满足。试一试：

np.nan in pd.Series([np.nan, 1, 2]).to_list()
# False

消除整个复杂性if/else并坚持使用一种方法。然后比较性能。正如您在其他问题中提到的，pandas 方法几乎总是比任何外部模块/方法更好的方法。如果您仍在观察其他情况，请更新您的问题。