用于搜索的 Pandas 列索引？

Posted 2023-03-12

【中文标题】用于搜索的 Pandas 列索引？

【英文标题】：Pandas column indexing for searching?

【发布时间】：2017-07-27 05:33:20

【问题描述】：

在关系数据库中，我们可以在列上创建索引以加快对这些列的查询和连接。我想在熊猫数据框上做同样的事情。行索引似乎不是关系数据库提供的。

问题是：默认情况下，pandas 中的列是否为搜索编制索引？

如果没有，是否可以手动索引列以及如何做？

编辑：我已经阅读了 pandas 文档并到处搜索，但没有人提到 pandas 的索引和搜索/合并性能。似乎没有人关心这个问题，尽管它在关系数据库中很重要。任何人都可以就 pandas 的索引和性能发表声明吗？

谢谢。

【问题讨论】：

并非如此，pandas 模型不是内存中关系数据库的模型。您可以查看文档中的“索引”和“多索引”以查看您的选项，但从根本上说，pandas 不是具有“声明性数据导航”功能的 RDBMS。

这是否意味着 Pandas 以“索引”和“多索引”的形式提供列索引？我已阅读文档，但仍不清楚。您能否举例说明如何使用“索引”和“多索引”加速查询/加入？

在 pandas 中，您可以将任何列或列组合声明为索引（或多索引）。这对于搜索或合并都不是必需的。按索引排序并不比按常规列排序快。 （只是通过实验检查。）

这不是必需的，但索引将使搜索/合并比在关系数据库上更快。

我说的是“在熊猫中”。

【参考方案1】：

正如@pvg 所提到的——pandas 模型不是内存关系数据库的模型。所以，如果我们试图用 sql 来类比 pandas 并没有多大帮助，而且它的特性。相反，让我们从根本上看问题 - 您正在有效地尝试加速列查找/连接。

您可以通过将您希望连接的列设置为两个数据框（您希望连接的左右数据框）中的索引来大大加快连接速度，并且然后对两个索引进行排序。

这是一个示例，向您展示加入排序索引时可以获得的加速：

import pandas as pd
from numpy.random import randint

# Creating DATAFRAME #1
columns1 = ['column_1', 'column_2']
rows_df_1 = []

# generate 500 rows
# each element is a number between 0 and 100
for i in range(0,500):
    row = [randint(0,100) for x in range(0, 2)]
    rows_df_1.append(row)

df1 = pd.DataFrame(rows_df_1)
df1.columns = columns1

print(df1.head())

第一个数据框如下所示：

Out[]:    

column_1  column_2
0        83        66
1        91        12
2        49         0
3        26        75
4        84        60

让我们创建第二个数据框：

columns2 = ['column_3', 'column_4']
rows_df_2 = []
# generate 500 rows
# each element is a number between 0 and 100
for i in range(0,500):
    row = [randint(0,100) for x in range(0, 2)]
    rows_df_2.append(row)

df2 = pd.DataFrame(rows_df_1)
df2.columns = columns2

第二个数据框如下所示：

Out[]:    

   column_3  column_4
0        19        26
1        78        44
2        44        43
3        95        47
4        48        59

现在假设您希望在 column_1 == column_3 上加入这两个数据帧

# setting the join columns as indexes for each dataframe
df1 = df1.set_index('column_1')
df2 = df2.set_index('column_3')


# joining
%time
df1.join(df2)

Out[]:
CPU times: user 4 ms, sys: 0 ns, total: 4 ms
Wall time: 46 ms

如您所见，只需将连接列设置为数据帧索引并在之后连接 - 大约需要 46 毫秒。现在，让我们在对索引进行排序后尝试加入 *

# sorting indexes
df1 = df1.sort_index()
df2 = df2.sort_index()

Out[]:

CPU times: user 0 ns, sys: 0 ns, total: 0 ns
Wall time: 9.78 µs

这需要大约 9.78 µs，快得多。

我相信您可以将相同的排序技术应用于 pandas 列 - 按字典顺序对列进行排序并修改数据框。我还没有测试过下面的代码，但是这样的代码应该可以加快列查找速度：

import numpy as np
# Lets assume df is a dataframe with thousands of columns
df = read_csv('csv_file.csv')
columns = np.sort(df.columns)

df = df[columns]

现在列查找应该快得多 - 如果有人可以在包含一千列的数据帧上进行测试，那就太好了

【讨论】：

感谢您的解释。在我的计算机上，未排序和排序索引分别花费了 33 us 和 11 us，这比在您的计算机上要少得多。其实我对熊猫性能调优这个话题还是很困惑。好像没有什么好的文档。