对 pandas 数据框的索引查找。为何这么慢？如何加快速度？ [复制]

Posted 2023-03-12

【中文标题】对 pandas 数据框的索引查找。为何这么慢？如何加快速度？ [复制]

【英文标题】：Indexed lookup on pandas dataframe. Why so slow? How to speed up? [duplicate]

【发布时间】：2019-06-26 14:36:37

【问题描述】：

假设我有一个熊猫系列，我想将其用作多映射（每个索引键有多个值）：

# intval -> data1
a = pd.Series(data=-np.arange(100000),
              index=np.random.randint(0, 50000, 100000))

我想（尽快）从a 中选择所有值 其中a 的索引与另一个索引b 匹配。 （就像一个内部连接。或者一个合并，但对于系列）。

a 的索引中可能有重复项。 b 可能没有重复项，也不一定是a 索引的子集。为了给 pandas 最好的机会，我们假设 b 也可以作为排序索引对象提供：

     b = pd.Index(np.unique(np.random.randint(30000, 100000, 100000))).sortvalues()

所以，我们会有类似的东西：

                      target  
   a        b         result
3  0        3      3  0
3  1        7      8  3 
4  2        8      ...     
8  3      ...
9  4
...

我也只对获取结果的值感兴趣（不需要索引[3,8,...]）。

如果a 没有重复项，我们只需这样做：

a.reindex(b)  # Cannot reindex a duplicate axis

因为&维护了a的副本，我们不能这样做：

d = a[a.index & b.index]
d = a.loc[a.index & b.index]  # same
d = a.get(a.index & b.index)  # same
print d.shape

所以我认为我们需要这样做：

common = (a.index & b.index).unique()
a.loc[common]

...这很麻烦，但也很慢。它不是建立要选择的项目列表很慢：

%timeit (a.index & b).unique()
# 100 loops, best of 3: 3.39 ms per loop
%timeit (a.index & b).unique().sort_values()
# 100 loops, best of 3: 4.19 ms per loop

...所以看起来它确实检索缓慢的值：

common = ((a.index & b).unique()).sort_values()

%timeit a.loc[common]
#10 loops, best of 3: 43.3 ms per loop

%timeit a.get(common)
#10 loops, best of 3: 42.1 ms per loop

...每秒大约 20 次操作。不完全是活泼的！为什么这么慢？

肯定有一种快速的方法可以从 pandas 数据框中查找一组值吗？我不想得到一个索引对象——实际上我所要求的只是对排序索引进行合并，或者（较慢）散列 int 查找。不管怎样，这应该是一个非常快的操作——而不是在我的 3Ghz 机器上每秒 20 个操作。

---

还有：

分析a.loc[common]给：

ncalls  tottime  percall  cumtime   percall filename:lineno(function)
# All the time spent here.
40      1.01     0.02525  1.018     0.02546 ~:0(<method 'get_indexer_non_unique' indexing.py:1443(_has_valid_type)
...
# seems to be called a lot.
1500    0.000582 3.88e-07 0.000832  5.547e-07 ~:0(<isinstance>)

---

PS。我之前发布了一个类似的问题，关于为什么 Series.map 这么慢 Why is pandas.series.map so shockingly slow? 。原因是引擎盖下的惰性索引。这似乎没有发生在这里。

---

更新：

对于大小相似的 a 和常见的 a 是唯一的：

% timeit a.loc[common]
1000 loops, best of 3: 760 µs per loop

...正如@jpp 指出的那样。多索引可能是罪魁祸首。

【问题讨论】：

我给出了一半的答案，即“为什么慢”。至于“如何使其更快[使用非唯一索引]”，我认为这对于 Pandas 来说并非易事。请不要回答这个问题。

@coldspeed，我认为这个问题还有第二部分（即如何使用非唯一索引加速它），这就是为什么我建议 OP 不要接受我的答案。但也许这让它太宽泛了..不确定，但这是一个有效且具体的问题。

@jpp 我建议添加一个 cumcounted 索引以形成一个唯一的多索引。应该希望使它成为恒定的时间（因为索引是唯一的）。我会等待 OP 澄清（他们的第二部分不清楚）并将重新打开。

回复：重复的问题。我的问题是在不了解导致缓慢行为的原因的情况下提出的。它似乎相关，但不是引用问题的重复（这表明我们的非唯一索引在问题中很慢）。

+ 我也在寻找如何解决这个问题（引用的问题没有）。回复，累计指数。听起来像是正确的解决方法——虽然不明显如何在不循环 Python 的情况下使用索引。不过会考虑的。

【参考方案1】：

保证重复索引会减慢您的数据帧索引操作。您可以修改您的输入以向自己证明这一点：

a = pd.Series(data=-np.arange(100000), index=np.random.randint(0, 50000, 100000))
%timeit a.loc[common]  # 34.1 ms

a = pd.Series(data=-np.arange(100000), index=np.arange(100000))
%timeit a.loc[common]  # 6.86 ms

如this related question中所述：

当索引唯一时，pandas 使用哈希表将键映射到值 O(1)。 当索引是非唯一且已排序时，pandas 使用二进制搜索 O(logN)， 当索引是随机排序时，pandas 需要检查索引中的所有键 索引 O(N)。

【讨论】：

嗯...很确定这些都可能是 O(1) 。

@user48956 你能详细说明一下吗？

@MrR 你在问为什么我认为哈希查找可以是 O(1)？这只是计算机科学中的一个著名结果。无论索引是否排序，都可能实现 O(1) 查找成本。熊猫选择不这样做。 （悲伤的长号）

不，我不是在问这个。我想详细说明为什么你认为 pandas 在非唯一索引上选择二进制搜索作为默认值是不合理的。有哪些权衡？基于范围的操作浮现在脑海中。当您的索引大小超过哈希阈值大小时，还必须重建整个索引。当然，这些相同的考虑也可能适用于唯一索引，但也许这里有一些假设，即非唯一索引的用例会略有不同。或者，我们是说 pandas 开发人员无缘无故完全搞错了吗？