+ groupby集計 + ROUND_HALF_UP（SQL互換） — O(N) 実装 +
+ +| + query_name + | ++ result + | +position | +rating | +
|---|---|---|---|
| Dog | ++ Golden Retriever + | ++ 1 + | ++ 5 + | +
| Dog | ++ German Shepherd + | ++ 2 + | ++ 5 + | +
| Dog | +Mule | ++ 200 + | ++ 1 + | +
| Cat | +Shirazi | ++ 5 + | ++ 2 + | +
| Cat | +Siamese | ++ 3 + | ++ 3 + | +
| Cat | +Sphynx | ++ 7 + | ++ 4 + | +
+ 🔴 赤行: rating < 3（poor query） +
+| + query_name + | +quality | ++ poor_query_% + | +
|---|---|---|
| + Dog + | ++ 2.50 + | ++ 33.33 + | +
| + Cat + | ++ 0.66 + | ++ 33.33 + | +
+ 📐 quality = AVG(rating / + position) +
++ Dog: (5/1 + 5/2 + 1/200) / 3 = + 2.50 +
++ Cat: (2/5 + 3/3 + 4/7) / 3 = + 0.66 +
++ 📐 poor_% = COUNT(rating<3) / + COUNT(*) × 100 +
++ Dog: 1/3 × 100 = + 33.33 +
+import pandas as pd
+import numpy as np
+
+def queries_stats(queries: pd.DataFrame) -> pd.DataFrame:
+ """
+ 各 query_name の quality と poor_query_percentage を返す。
+
+ quality = AVG(rating / position)
+ poor_query_percentage = COUNT(rating < 3) / COUNT(*) × 100
+
+ 両値とも小数点以下2桁・ROUND_HALF_UP（SQL ROUND() 互換）
+
+ Returns:
+ pd.DataFrame: ['query_name', 'quality', 'poor_query_percentage']
+ """
+ # ── Step 1: マスク作成（NULL query_name を明示除外）─────────────────
+ mask = queries["query_name"].notna().to_numpy()
+
+ # ── Step 2: 必要な3列のみ numpy 配列として抽出 ──────────────────────
+ # result 列（長文字列）を完全にスキップ → コピーコスト大幅削減
+ names = queries["query_name"].to_numpy()[mask]
+ pos = queries["position"].to_numpy(dtype="float64")[mask]
+ rat = queries["rating"].to_numpy(dtype="float64")[mask]
+ # ※ float32 は精度落ちで ROUND_HALF_UP が狂うため float64 固定
+
+ # ── Step 3: ベクトル演算（NumPy SIMD 最適化）───────────────────────
+ score = rat / pos # quality の各行スコア
+ poor = (rat < 3).astype("float64") # poor フラグ (0.0 or 1.0)
+ # bool のまま mean() → float64 で 0.0〜1.0 の割合が得られる
+
+ # ── Step 4: 最小 DataFrame を copy=False で構築 ──────────────────────
+ # numpy 配列を参照渡し（内部コピーゼロ）
+ tmp = pd.DataFrame({"q": names, "s": score, "p": poor}, copy=False)
+
+ # ── Step 5: groupby + .mean()（Cython 最適化パス）──────────────────
+ # sort=False でハッシュ集計のみ（ソートコストゼロ）
+ # named agg() より .mean() 直接呼び出しのほうが高速
+ agg = tmp.groupby("q", sort=False, as_index=False).mean()
+
+ # ── Step 6: ROUND_HALF_UP（SQL ROUND() と同動作）───────────────────
+ # Python round() / pandas .round() は ROUND_HALF_EVEN（銀行家丸め）
+ # 例: round(0.625, 2) = 0.62 ← LeetCode の期待値 0.63 と不一致！
+ # np.floor(x*100+0.5)/100 で ROUND_HALF_UP を手動実装
+ v = agg[["s", "p"]].to_numpy() # pandas オーバーヘッド排除
+ return pd.DataFrame({
+ "query_name": agg["q"],
+ "quality": np.floor(v[:, 0] * 100 + 0.5) / 100,
+ "poor_query_percentage": np.floor(v[:, 1] * 10000 + 0.5) / 100,
+ # poor は mean (0〜1) なので ×10000 して floor し /100 → %換算
+ })
+
+ フローの説明：
+ 1. notna().to_numpy() で
+ NULL の query_name を除外し bool マスクを生成
+ 2. result 列を完全スキップして必要な3列だけを numpy
+ 配列として抽出（メモリ最大50%削減）
+ 3. ベクトル演算で score と poor フラグを一括生成（NumPy SIMD 最適化）
+ 4. copy=False で numpy
+ 配列を参照渡しし、内部コピーゼロの DF を構築
+ 5. groupby().mean() は
+ Cython 最適化パスを通り named agg より高速
+ 6.
+ np.floor(x*100+0.5)/100 で
+ SQL の ROUND() と完全一致する ROUND_HALF_UP を実装
+
# 0.625 の場合（偶数 0.62 に丸める）
+round(0.625, 2) # → 0.62 ❌
+pd.Series([0.625]).round(2) # → 0.62 ❌
+np.round(0.625, 2) # → 0.62 ❌
+
+# LeetCode の期待値: 0.63# np.floor で手動実装
+val = 0.625
+np.floor(val * 100 + 0.5) / 100
+# step1: 0.625 * 100 = 62.5
+# step2: 62.5 + 0.5 = 63.0
+# step3: floor(63.0) = 63
+# step4: 63 / 100 = 0.63 ✅(1/2 + 1/1 + 3/8) / 3 =
+ 0.625（float64 で正確に表現される）。 ちょうど 0.5
+ の境界にある値なので、銀行家丸めと ROUND_HALF_UP の結果が
+ 0.62 vs 0.63 で分岐する。 LeetCode のジャッジは SQL
+ ROUND() の結果を正解とするため Python round() は不合格になる。
+ slim = queries[["query_name","pos","rating"]]
+# CoW lazy copy ← ここが問題
+
+slim = slim.assign(
+ score = slim["rating"] / slim["position"],
+ # ↑ assign 内で slim を参照
+ # CoW 下では評価タイミング不定
+)df = queries.dropna(subset=["query_name"]).copy()
+# ↑ .copy() で CoW を完全断切
+
+df["score"] = df["rating"] / df["position"]
+# ↑ 実体への直接代入（安全）np.float32(0.07)
+# → 0.07000000029802322 ← ズレている！
+# ROUND_HALF_UP の結果が狂う可能性np.float64(0.07)
+# → 0.07000000000000000 ← 安全
+# ROUND_HALF_UP も正確に動作| + 処理ステップ + | ++ 時間計算量 + | ++ 空間計算量 + | ++ 備考 + | +
|---|---|---|---|
| + notna().to_numpy()[mask] + | ++ O(N) + | ++ O(N) + | ++ result 列スキップでメモリ節約 + | +
| + ベクトル演算（score, poor） + | ++ O(N) + | ++ O(N) + | ++ NumPy SIMD 最適化 + | +
| + groupby(sort=False).mean() + | ++ O(N) + | ++ O(G) + | ++ ハッシュ集計、Cython最適パス + | +
| + np.floor ROUND_HALF_UP + | ++ O(G) + | ++ O(G) + | ++ G = ユニーク query_name 数（G ≪ N） + | +
| + 合計 + | ++ O(N) + | ++ O(N) + | ++ フルスキャン実質1回で完結 + | +
+ ローカルベンチマーク値。LeetCode 環境では入力データの特性により変動します。 +
++ groupby集計 + ROUND_HALF_UP（SQL互換） — O(N) 実装 +
+ +| + query_name + | ++ result + | +position | +rating | +
|---|---|---|---|
| Dog | ++ Golden Retriever + | ++ 1 + | ++ 5 + | +
| Dog | ++ German Shepherd + | ++ 2 + | ++ 5 + | +
| Dog | +Mule | ++ 200 + | ++ 1 + | +
| Cat | +Shirazi | ++ 5 + | ++ 2 + | +
| Cat | +Siamese | ++ 3 + | ++ 3 + | +
| Cat | +Sphynx | ++ 7 + | ++ 4 + | +
+ 🔴 赤行: rating < 3（poor query） +
+| + query_name + | +quality | ++ poor_query_% + | +
|---|---|---|
| + Dog + | ++ 2.50 + | ++ 33.33 + | +
| + Cat + | ++ 0.66 + | ++ 33.33 + | +
+ 📐 quality = AVG(rating / + position) +
++ Dog: (5/1 + 5/2 + 1/200) / 3 = + 2.50 +
++ Cat: (2/5 + 3/3 + 4/7) / 3 = + 0.66 +
++ 📐 poor_% = COUNT(rating<3) / + COUNT(*) × 100 +
++ Dog: 1/3 × 100 = + 33.33 +
+import pandas as pd
+import numpy as np
+
+def queries_stats(queries: pd.DataFrame) -> pd.DataFrame:
+ """
+ 各 query_name の quality と poor_query_percentage を返す。
+
+ quality = AVG(rating / position)
+ poor_query_percentage = COUNT(rating < 3) / COUNT(*) × 100
+
+ 両値とも小数点以下2桁・ROUND_HALF_UP（SQL ROUND() 互換）
+
+ Returns:
+ pd.DataFrame: ['query_name', 'quality', 'poor_query_percentage']
+ """
+ # ── Step 1: マスク作成（NULL query_name を明示除外）─────────────────
+ mask = queries["query_name"].notna().to_numpy()
+
+ # ── Step 2: 必要な3列のみ numpy 配列として抽出 ──────────────────────
+ # result 列（長文字列）を完全にスキップ → コピーコスト大幅削減
+ names = queries["query_name"].to_numpy()[mask]
+ pos = queries["position"].to_numpy(dtype="float64")[mask]
+ rat = queries["rating"].to_numpy(dtype="float64")[mask]
+ # ※ float32 は精度落ちで ROUND_HALF_UP が狂うため float64 固定
+
+ # ── Step 3: ベクトル演算（NumPy SIMD 最適化）───────────────────────
+ score = rat / pos # quality の各行スコア
+ poor = (rat < 3).astype("float64") # poor フラグ (0.0 or 1.0)
+ # bool のまま mean() → float64 で 0.0〜1.0 の割合が得られる
+
+ # ── Step 4: 最小 DataFrame を copy=False で構築 ──────────────────────
+ # numpy 配列を参照渡し（内部コピーゼロ）
+ tmp = pd.DataFrame({"q": names, "s": score, "p": poor}, copy=False)
+
+ # ── Step 5: groupby + .mean()（Cython 最適化パス）──────────────────
+ # sort=False でハッシュ集計のみ（ソートコストゼロ）
+ # named agg() より .mean() 直接呼び出しのほうが高速
+ agg = tmp.groupby("q", sort=False, as_index=False).mean()
+
+ # ── Step 6: ROUND_HALF_UP（SQL ROUND() と同動作）───────────────────
+ # Python round() / pandas .round() は ROUND_HALF_EVEN（銀行家丸め）
+ # 例: round(0.625, 2) = 0.62 ← LeetCode の期待値 0.63 と不一致！
+ # np.floor(x*100+0.5)/100 で ROUND_HALF_UP を手動実装
+ v = agg[["s", "p"]].to_numpy() # pandas オーバーヘッド排除
+ return pd.DataFrame({
+ "query_name": agg["q"],
+ "quality": np.floor(v[:, 0] * 100 + 0.5) / 100,
+ "poor_query_percentage": np.floor(v[:, 1] * 10000 + 0.5) / 100,
+ # poor は mean (0〜1) なので ×10000 して floor し /100 → %換算
+ })
+
+ フローの説明：
+ 1. notna().to_numpy() で
+ NULL の query_name を除外し bool マスクを生成
+ 2. result 列を完全スキップして必要な3列だけを numpy
+ 配列として抽出（メモリ最大50%削減）
+ 3. ベクトル演算で score と poor フラグを一括生成（NumPy SIMD 最適化）
+ 4. copy=False で numpy
+ 配列を参照渡しし、内部コピーゼロの DF を構築
+ 5. groupby().mean() は
+ Cython 最適化パスを通り named agg より高速
+ 6.
+ np.floor(x*100+0.5)/100 で
+ SQL の ROUND() と完全一致する ROUND_HALF_UP を実装
+
# 0.625 の場合（偶数 0.62 に丸める）
+round(0.625, 2) # → 0.62 ❌
+pd.Series([0.625]).round(2) # → 0.62 ❌
+np.round(0.625, 2) # → 0.62 ❌
+
+# LeetCode の期待値: 0.63# np.floor で手動実装
+val = 0.625
+np.floor(val * 100 + 0.5) / 100
+# step1: 0.625 * 100 = 62.5
+# step2: 62.5 + 0.5 = 63.0
+# step3: floor(63.0) = 63
+# step4: 63 / 100 = 0.63 ✅(1/2 + 1/1 + 3/8) / 3 =
+ 0.625（float64 で正確に表現される）。 ちょうど 0.5
+ の境界にある値なので、銀行家丸めと ROUND_HALF_UP の結果が
+ 0.62 vs 0.63 で分岐する。 LeetCode のジャッジは SQL
+ ROUND() の結果を正解とするため Python round() は不合格になる。
+ slim = queries[["query_name","pos","rating"]]
+# CoW lazy copy ← ここが問題
+
+slim = slim.assign(
+ score = slim["rating"] / slim["position"],
+ # ↑ assign 内で slim を参照
+ # CoW 下では評価タイミング不定
+)df = queries.dropna(subset=["query_name"]).copy()
+# ↑ .copy() で CoW を完全断切
+
+df["score"] = df["rating"] / df["position"]
+# ↑ 実体への直接代入（安全）np.float32(0.07)
+# → 0.07000000029802322 ← ズレている！
+# ROUND_HALF_UP の結果が狂う可能性np.float64(0.07)
+# → 0.07000000000000000 ← 安全
+# ROUND_HALF_UP も正確に動作| + 処理ステップ + | ++ 時間計算量 + | ++ 空間計算量 + | ++ 備考 + | +
|---|---|---|---|
| + notna().to_numpy()[mask] + | ++ O(N) + | ++ O(N) + | ++ result 列スキップでメモリ節約 + | +
| + ベクトル演算（score, poor） + | ++ O(N) + | ++ O(N) + | ++ NumPy SIMD 最適化 + | +
| + groupby(sort=False).mean() + | ++ O(N) + | ++ O(G) + | ++ ハッシュ集計、Cython最適パス + | +
| + np.floor ROUND_HALF_UP + | ++ O(G) + | ++ O(G) + | ++ G = ユニーク query_name 数（G ≪ N） + | +
| + 合計 + | ++ O(N) + | ++ O(N) + | ++ フルスキャン実質1回で完結 + | +
+ ローカルベンチマーク値。LeetCode 環境では入力データの特性により変動します。 +
+160 interactive lessons across 6 domains
+161 interactive lessons across 6 domains