从另一个 Dataframe 中的一个 Dataframe 中查找元素并返回其索引的快速方法

Posted 2023-03-12

【中文标题】从另一个 Dataframe 中的一个 Dataframe 中查找元素并返回其索引的快速方法

【英文标题】：Fast approach to find elements from one Dataframe in another and return their indexes

【发布时间】：2019-02-28 16:50:24

【问题描述】：

简单地说，我正在尝试将第一个 DataFrame 的 2 列中的值与另一个 DataFrame 中的相同列进行比较。匹配行的索引作为新列存储在第一个 DataFrame 中。

让我解释一下：我正在处理地理特征（纬度/经度），主要的 DataFrame（称为 df）有大约 55M 的观测值，看起来有点有点像这样：

如您所见，只有两行数据看起来合法（索引 2 和 4）。

第二个DataFrame——称为legit_df——要小得多，并且包含我认为合法的所有地理数据：

在不讨论 WHY 的情况下，主要任务是将来自df 的每个纬度/经度观测值与legit_df 的数据进行比较。当匹配成功时，legit_df 的索引被复制到df 的新列中，导致df 看起来像这样：

值-1 用于显示没有成功匹配的时间。在上面的示例中，唯一有效的观测值是索引 2 和 4 处的观测值，它们在 legit_df 的索引 1 和 2 处找到它们的匹配项。

我目前解决这个问题的方法是使用.apply()。是的，它很慢，但我找不到一种方法来矢量化下面的函数或使用 Cython 来加速它：

def getLegitLocationIndex(lat, long):
    idx = legit_df.index[(legit_df['pickup_latitude'] == lat) & (legit_df['pickup_longitude'] == long)].tolist()
    if (not idx):
        return -1
    return idx[0]

df['legit']  = df.apply(lambda row: getLegitLocationIndex(row['pickup_latitude'], row['pickup_longitude']), axis=1)

由于这段代码在DataFrame 的观察次数为 55M 时非常慢，我的问题是：有没有更快的方法来解决这个问题？

我将Short, Self Contained, Correct (Compilable), Example 分享给 help-you-help-me 想出一个更快的替代方案：

import pandas as pd
import numpy as np

data1 =  'pickup_latitude'  : [41.366138,   40.190564,  40.769413],
          'pickup_longitude' : [-73.137393, -74.689831, -73.863300]
        

legit_df = pd.DataFrame(data1)
display(legit_df)

####################################################################################

observations = 10000
lat_numbers = [41.366138,   40.190564,  40.769413, 10, 20, 30, 50, 60, 80, 90, 100]
lon_numbers = [-73.137393, -74.689831, -73.863300, 11, 21, 31, 51, 61, 81, 91, 101]

# Generate 10000 random integers between 0 and 10
random_idx = np.random.randint(low=0, high=len(lat_numbers)-1, size=observations)
lat_data = []
lon_data = []

# Create a Dataframe to store 10000 pairs of geographical coordinates
for i in range(observations):
    lat_data.append(lat_numbers[random_idx[i]])
    lon_data.append(lon_numbers[random_idx[i]])

df = pd.DataFrame( 'pickup_latitude' : lat_data, 'pickup_longitude': lon_data )
display(df.head())

####################################################################################

def getLegitLocationIndex(lat, long):
    idx = legit_df.index[(legit_df['pickup_latitude'] == lat) & (legit_df['pickup_longitude'] == long)].tolist()
    if (not idx):
        return -1
    return idx[0]


df['legit']  = df.apply(lambda row: getLegitLocationIndex(row['pickup_latitude'], row['pickup_longitude']), axis=1)
display(df.head())

上面的例子创建了df，只有10k observations，在我的机器上运行大约需要7秒。使用 100k observations，运行大约需要 67 秒。现在想象一下当我必须处理 55M 行时我的痛苦......

【问题讨论】：

您在 legit_df 中观察哪些地理区域？如果一切都在格林威治的左边，那么您的经度将为负数，您只需丢弃所有不是的。

@coldspeed 谢谢，但我唯一感兴趣的是加速这段代码。我只创建了假位置，因此更容易理解第二个 DataFrame 的需求。

我明白这一点，但有时“加速代码”意味着了解代码试图做什么、正在处理的数据以及任何相关的领域知识。因此，如果您想提高代码加速的机会，我强烈建议您回答任何应该出现的问题。

df.merge(legit_df.reset_index(), on=['pickup_latitude', 'pickup_longitude'], how='left').fillna(-1) ?

@ChrisA 我将你的合并结果存储到df['legit']，我很傻。

【参考方案1】：

我认为您可以使用合并而不是当前逻辑来显着加快这一速度：

full_df = df.merge(legit_df.reset_index(), how="left", on=["pickup_longitude", "pickup_latitude"])

这会重置参考表的索引以使其成为一列并在经度上连接

full_df = full_df.rename(index = str, columns="index":"legit")
full_df["legit"] = full_df["legit"].fillna(-1).astype(int)

这将重命名为您之后的列名，并用 -1 填充连接列中的任何缺失

基准测试：

旧方法： 5.18 s ± 171 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

新方法： 23.2 ms ± 1.3 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

【参考方案2】：

您可以在公共键上使用DataFrame.merge 和how='left'。先重置legit_df的索引。

然后fillna 加上 -1：

df.merge(legit_df.reset_index(), on=['pickup_latitude', 'pickup_longitude'], how='left').fillna(-1)

测试性能：

%%timeit
df['legit']  = df.apply(lambda row: getLegitLocationIndex(row['pickup_latitude'], row['pickup_longitude']), axis=1)

每个循环 5.81 秒 ± 179 毫秒（平均值 ± 标准偏差，7 次运行，每个循环 1 个）

%%timeit
(df.merge(legit_df.reset_index(),on=['pickup_latitude', 'pickup_longitude'], how='left').fillna(-1))

每个循环 6.27 ms ± 254 µs（平均值 ± 标准偏差，7 次运行，每次 100 个循环）