python - 为什么 pandas.series.map 慢得惊人？

Question

有时候我只是讨厌使用中间件。以此为例:我想要一个查找表，将一组输入(域)值的值映射到输出(范围)值。映射是唯一的。 Python map 可以做到这一点，但由于 map 很大，我想，为什么不使用 ps.Series 及其索引，这增加了我可以做到的好处:

• 传入多个值以映射为一个系列(希望比字典查找更快)
• 结果中保留了原始系列的索引

像这样:

domain2range = pd.Series(allrangevals, index=alldomainvals)
# Apply the map
query_vals = pd.Series(domainvals, index=someindex)
result = query_vals.map(domain2range)
assert result.index is someindex # Nice
assert (result.values in allrangevals).all() # Nice

按预期工作。但不是。上面的 .map 的时间成本随着 len(domain2range) 而不是(更明智地)O(len(query_vals)) 增长，如图所示:

numiter = 100
for n in [10, 1000, 1000000, 10000000,]:
    domain = np.arange(0, n)
    range = domain+10
    maptable = pd.Series(range, index=domain).sort_index()

    query_vals = pd.Series([1,2,3])
    def f():
        query_vals.map(maptable)
    print n, timeit.timeit(stmt=f, number=numiter)/numiter


10 0.000630810260773
1000 0.000978469848633
1000000 0.00130645036697
10000000 0.0162791204453

捂脸。在 n=10000000 时，每个映射值花费 (0.01/3) 秒。

那么，问题:

• 是Series.map期望表现得像这样吗？为什么它如此彻底，可笑地慢？我认为我正在按照文档中的说明使用它。
• 有没有一种使用 pandas 进行表查找的快速方法？上面的好像不是吧？

Answer 1

https://github.com/pandas-dev/pandas/issues/21278

热身是个问题。 (双面手掌)。 Pandas 在首次使用时静默构建并缓存哈希索引 (O(maplen))。调用测试函数并预构建索引可获得更好的性能。

numiter = 100
for n in [10, 100000, 1000000, 10000000,]:
    domain = np.arange(0, n)
    range = domain+10
    maptable = pd.Series(range, index=domain) #.sort_index()

    query_vals = pd.Series([1,2,3])

    def f1():
        query_vals.map(maptable)
    f1()
    print "Pandas1 ", n, timeit.timeit(stmt=f1, number=numiter)/numiter

    def f2():
        query_vals.map(maptable.get)
    f2()
    print "Pandas2 ", n, timeit.timeit(stmt=f2, number=numiter)/numiter

    maptabledict = maptable.to_dict()
    query_vals_list = pd.Series([1,2,3]).tolist()

    def f3():
        {k: maptabledict[k] for k in query_vals_list}
    f3()
    print "Py dict ", n, timeit.timeit(stmt=f3, number=numiter)/numiter
    print

pd.show_versions()
Pandas1  10 0.000621199607849
Pandas2  10 0.000686831474304
Py dict  10 2.0170211792e-05

Pandas1  100000 0.00149286031723
Pandas2  100000 0.00118808984756
Py dict  100000 8.47816467285e-06

Pandas1  1000000 0.000708899497986
Pandas2  1000000 0.000479419231415
Py dict  1000000 1.64794921875e-05

Pandas1  10000000 0.000798969268799
Pandas2  10000000 0.000410139560699
Py dict  10000000 1.47914886475e-05

...虽然 python 字典快 10 倍有点令人沮丧。