我有大量的小 Pandas 数据帧，我必须在这些数据帧上进行整行比较并将结果写入新的数据帧，这些数据帧稍后会被连接起来。
对于行比较，我使用 iloc 在数据帧的长度上进行双循环。我不知道是否有更快的方法，我这样做的方式似乎很慢:
# -*- coding: utf-8 -*-
import pandas as pd
import time
def processFrames1(DF):
LL = []
for i in range(len(DF)):
for j in range(len(DF)):
if DF.iloc[i][0] != DF.iloc[j][0]:
T = {u'T1':DF.iloc[i][0]}
T[u'T2'] = DF.iloc[j][0]
T[u'T3'] = 1
if DF.iloc[i][2] > DF.iloc[j][2]:
T[u'T4'] = 1
elif DF.iloc[i][2] < DF.iloc[j][2]:
T[u'T4'] = -1
else:
T[u'T4'] = 0
if DF.iloc[i][1] < DF.iloc[j][1]:
T[u'T5'] = 1
else:
T[u'T5'] = -1
LL.append(T)
return pd.DataFrame.from_dict(LL)
D = [{'A':'XA','B':1,'C':1.4}\
,{'A':'RT','B':2,'C':10}\
,{'A':'HO','B':3,'C':34}\
,{'A':'NJ','B':4,'C':0.41}\
,{'A':'WF','B':5,'C':114}\
,{'A':'DV','B':6,'C':74}\
,{'A':'KP','B':7,'C':2.4}]
P = pd.DataFrame.from_dict(D)
time0 = time.time()
for i in range(10):
X = processFrames1(P)
print time.time()-time0
print X
产生结果:
0.836999893188
T1 T2 T3 T4 T5
0 XA RT 1 -1 1
1 XA HO 1 -1 1
2 XA NJ 1 1 1
3 XA WF 1 -1 1
4 XA DV 1 -1 1
5 XA KP 1 -1 1
6 RT XA 1 1 -1
7 RT HO 1 -1 1
8 RT NJ 1 1 1
9 RT WF 1 -1 1
10 RT DV 1 -1 1
11 RT KP 1 1 1
12 HO XA 1 1 -1
13 HO RT 1 1 -1
14 HO NJ 1 1 1
15 HO WF 1 -1 1
16 HO DV 1 -1 1
17 HO KP 1 1 1
18 NJ XA 1 -1 -1
19 NJ RT 1 -1 -1
20 NJ HO 1 -1 -1
21 NJ WF 1 -1 1
22 NJ DV 1 -1 1
23 NJ KP 1 -1 1
24 WF XA 1 1 -1
25 WF RT 1 1 -1
26 WF HO 1 1 -1
27 WF NJ 1 1 -1
28 WF DV 1 1 1
29 WF KP 1 1 1
30 DV XA 1 1 -1
31 DV RT 1 1 -1
32 DV HO 1 1 -1
33 DV NJ 1 1 -1
34 DV WF 1 -1 -1
35 DV KP 1 1 1
36 KP XA 1 1 -1
37 KP RT 1 -1 -1
38 KP HO 1 -1 -1
39 KP NJ 1 1 -1
40 KP WF 1 -1 -1
41 KP DV 1 -1 -1
处理这个有代表性的数据框 10 次几乎需要整整一秒，而我将不得不处理超过一百万个数据框。
有没有更快的方法来进行这些整行比较？
编辑1: 经过一些修改后，我可以让 Javier 的代码创建正确的输出:
def compare_values1(x,y):
if x>y: return 1
elif x<y: return -1
else: return 0
def compare_values2(x,y):
if x<y: return 1
elif x>y: return -1
else: return 0
def processFrames(P):
D = P.to_dict(orient='records')
d_A2B = {d["A"]:d["B"] for d in D}
d_A2C = {d["A"]:d["C"] for d in D}
keys = list(d_A2B.keys())
LL = []
for i in range(len(keys)):
k_i = keys[i]
for j in range(len(keys)):
if i != j:
k_j = keys[j]
LL.append([k_i,k_j,1,compare_values1(\
d_A2C[k_i],d_A2C[k_j]),compare_values2(d_A2B[k_i],d_A2B[k_j])])
return pd.DataFrame(LL,columns=['T1','T2','T3','T4','T5'])
此函数的运行速度提高了大约 60 倍。
编辑2: 四种可能性的最终判断:
=============== 使用小数据框:
我原来的功能:
%timeit processFrames1(P)
10 loops, best of 3: 85.3 ms per loop
jezrael 的解决方案:
%timeit processFrames2(P)
1 loop, best of 3: 286 ms per loop
Javier 修改后的代码:
%timeit processFrames3(P)
1000 loops, best of 3: 1.24 ms per loop
Divakar 的方法:
%timeit processFrames4(P)
1000 loops, best of 3: 1.98 ms per loop
=============== 对于大数据框:
我原来的功能:
%timeit processFrames1(P)
1 loop, best of 3: 2.22 s per loop
jezrael 的解决方案:
%timeit processFrames2(P)
1 loop, best of 3: 295 ms per loop
Javier 修改后的代码:
%timeit processFrames3(P)
100 loops, best of 3: 3.13 ms per loop
Divakar 的方法:
%timeit processFrames4(P)
100 loops, best of 3: 2.19 ms per loop
所以这几乎是最后两者之间的平局。感谢大家的帮助，非常需要这种加速。
编辑 3:
Divakar 已经编辑了他们的代码，这是新的结果:
小数据框:
%timeit processFrames(P)
1000 loops, best of 3: 492 µs per loop
大数据框:
%timeit processFrames(P)
1000 loops, best of 3: 844 µs per loop
非常令人印象深刻，绝对的赢家。
编辑 4:
Divakar 的方法略有修改，因为我现在在我的程序中使用它:
def processFrames(P):
N = len(P)
N_range = np.arange(N)
valid_mask = (N_range[:,None] != N_range).ravel()
colB = P.B.values
colC = P.C.values
T2_arr = np.ones(N*N,dtype=int)
T4_arr = np.zeros((N,N),dtype=int)
T4_arr[colC[:,None] > colC] = 1
T4_arr[colC[:,None] < colC] = -1
T5_arr = np.zeros((N,N),dtype=int)
T5_arr[colB[:,None] > colB] = -1
T5_arr[colB[:,None] < colB] = 1
strings = P.A.values
c0,c1 = np.meshgrid(strings,strings)
arr = np.column_stack((c1.ravel(), c0.ravel(), T2_arr,T4_arr.ravel(),\
T5_arr.ravel()))[valid_mask]
return arr[:,0],arr[:,1],arr[:,2],arr[:,3],arr[:,4]
我正在创建一个包含五个键的字典，每个键包含一个列表，每个键代表五个结果列，然后我只用结果扩展列表，完成后我从字典制作一个 pandas 数据框。这比连接到现有数据框要快得多。
PS:我从中学到的一件事:如果可以以任何方式避免使用 iloc，则永远不要使用它。
请您参考如下方法:
这是一种使用 NumPy broadcasting 的方法-
def processFrames1_broadcasting(P):
N = len(P)
N_range = np.arange(N)
valid_mask = (N_range[:,None] != N_range).ravel()
colB = P.B.values
colC = P.C.values
T2_arr = np.ones(N*N,dtype=int)
T4_arr = np.zeros((N,N),dtype=int)
T4_arr[colC[:,None] > colC] = 1
T4_arr[colC[:,None] < colC] = -1
T5_arr = np.where(colB[:,None] < colB,1,-1)
strings = P.A.values
c0,c1 = np.meshgrid(strings,strings)
arr = np.column_stack((c1.ravel(), c0.ravel(), T2_arr,T4_arr.ravel(),\
T5_arr.ravel()))[valid_mask]
df = pd.DataFrame(arr, columns=[['T1','T2','T3','T4','T5']])
return df
运行时测试-
对于问题中发布的示例，我最后得到的运行时间是 -
In [337]: %timeit processFrames1(P)
10 loops, best of 3: 93.1 ms per loop
In [338]: %timeit processFrames1_jezrael(P) #@jezrael's soln
10 loops, best of 3: 74.8 ms per loop
In [339]: %timeit processFrames1_broadcasting(P)
1000 loops, best of 3: 561 µs per loop
