对于循环 pandas 和 numpy:性能
Posted
技术标签:
【中文标题】对于循环 pandas 和 numpy:性能【英文标题】:For loop pandas and numpy: Performance 【发布时间】:2019-02-13 00:08:59 【问题描述】:我编写了以下 for 循环。主要思想是,在“A_D”列中每次出现“D”时,它都会查找应该发生某些特定条件的所有可能情况。验证所有条件后,将一个值添加到列表中。
a = []
for i in df.index:
if df['A_D'][i] == 'D':
if df['TROUND_ID'][i] == ' ':
vb = df[(df['O_D'] == df['O_D'][i])
& (df['A_D'] == 'A' )
& (df['Terminal'] == df['Terminal'][i])
& (df['Operator'] == df['Operator'][i])]
number = df['number_ac'][i]
try: ## if all the conditions above are verified a value is added to a list
x = df.START[i] - pd.Timedelta(int(number), unit='m')
value = vb.loc[(vb.START-x).abs().idxmin()].FlightID
except: ## if are not verified, several strings are added to the list
value = 'No_link_found'
else:
value = 'Has_link'
else:
value = 'IsArrival'
a.append(value)
我的主要问题是 df 有数百万行,因此这个 for 循环太耗时了。是否有不需要使用 for 循环的矢量化解决方案?
【问题讨论】:
这看起来可能是矢量化的,但是你能提供一个minimal reproducible example吗? 应该始终避免 Pandas 中的循环。在上述问题中,您似乎可以通过一次过滤来避免迭代。 感谢您的回答。我的问题是我不知道如何将此代码改编为一个小例子。我试图尽可能减少它。将尝试更多地编辑代码。 @mad_ 这不是普遍真理。这是一个有用的概括,但并不总是正确的。 @mad_,您能澄清一下“立即过滤”是什么意思吗? 【参考方案1】:一组初始改进:使用apply
而不是循环;在 df["A_D"] == "A"
所在行的开头创建第二个数据框;并将值向量化x
。
arr = df[df["A_D"] == "A"]
# if the next line is slow, apply it only to those rows where x is needed
df["x"] = df.START - pd.Timedelta(int(df["number_ac"]), unit='m')
def link_func(row):
if row["A_D"] != "D":
return "IsArrival"
if row["TROUND_ID"] != " ":
return "Has_link"
vb = arr[arr["O_D"] == row["O_D"]
& arr["Terminal"] == row["Terminal"]
& arr["Operator"] == row["Operator"]]
try:
return vb.loc[(vb.START - row["x"]).abs().idxmin()].FlightID
except:
return "No_link_found"
df["a"] = df.apply(link_func, axis=1)
使用apply
是apparently more efficient,但不会自动向量化计算。但是,根据df
的每一行在arr
中查找一个值本质上是耗时的,但是它的实现效率很高。考虑是否可以以某种方式将原始数据帧的两个部分(分别为df["A_D"] == "A"
和df["A_D"] == "D"
)重新整形为宽格式。
编辑:您可以通过将查询字符串存储在df
中来加快arr
的查询速度,如下所示:
df["query_string"] = ('O_D == "' + df["O_D"]
+ '" & Terminal == "' + df["Terminal"]
+ '" & Operator == "' + df["Operator"] + '"')
def link_func(row):
vb = arr.query(row["query_string"])
try:
row["a"] = vb.loc[(vb.START - row["x"]).abs().idxmin()].FlightID
except:
row["a"] = "No_link_found"
df.query('(A_D == "D") & (TROUND_ID == " ")').apply(link_func, axis=1)
【讨论】:
.apply
不比使用itertuples
的循环更有效
感谢@Stuart 的新代码。它真的很有帮助。您知道如何更改代码,以便每次调用函数时都会更改“arr”数据框中的一个值吗?实际上,更改 df 数据框中的一个单元格很简单。但是,我不知道如何(或者即使有可能)更改“arr”数据框中的值。
我认为您可以在链接函数中以通常的方式更改 arr
中的值,但这可能会进一步减慢速度。以上是关于对于循环 pandas 和 numpy:性能的主要内容,如果未能解决你的问题,请参考以下文章
无法在嵌套循环中使用 pandas 附加更大的数据帧。如何更改为 numpy 向量化?