- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我在 Python 3.4 中使用 pandas 来识别两个数据帧之间的匹配。匹配基于严格相等,但最后一列除外,其中接近匹配 (+/- 5) 即可。
一个数据框包含许多行,在本例中第二个数据框仅包含一行。所需的结果是一个数据帧,其中包含与该行匹配的第一个数据帧的子集,如上所述。
我首先采用了 bool 索引的具体解决方案,但这需要一段时间才能处理所有数据,所以我尝试了 pandas 合并功能。然而,我的合并实现在我的测试数据上甚至更慢。它的运行速度比 bool 索引慢 2 到 4 倍。
这是一个测试运行:
import pandas as pd
import random
import time
def make_lsts(lst, num, num_choices):
choices = list(range(0,num_choices))
[lst.append(random.choice(choices)) for i in range(0,num)]
return lst
def old_way(test, data):
t1 = time.time()
tmp = data[(data.col_1 == test.col_1[0]) &
(data.col_2 == test.col_2[0]) &
(data.col_3 == test.col_3[0]) &
(data.col_4 == test.col_4[0]) &
(data.col_5 == test.col_5[0]) &
(data.col_6 == test.col_6[0]) &
(data.col_7 == test.col_7[0]) &
(data.col_8 >= (test.col_8[0]-5)) &
(data.col_8 <= (test.col_8[0]+5))]
t2 = time.time()
print('old time:', t2-t1)
def new_way(test, data):
t1 = time.time()
tmp = pd.merge(test, data, how='inner', sort=False, copy=False,
on=['col_1', 'col_2', 'col_3', 'col_4', 'col_5', 'col_6', 'col_7'])
tmp = tmp[(tmp.col_8_y >= (test.col_8[0] - 5)) & (tmp.col_8_y <= (test.col_8[0] + 5))]
t2 = time.time()
print('new time:', t2-t1)
if __name__ == '__main__':
t1 = time.time()
data = pd.DataFrame({'col_1':make_lsts([], 4000000, 7),
'col_2':make_lsts([], 4000000, 3),
'col_3':make_lsts([], 4000000, 3),
'col_4':make_lsts([], 4000000, 5),
'col_5':make_lsts([], 4000000, 4),
'col_6':make_lsts([], 4000000, 4),
'col_7':make_lsts([], 4000000, 2),
'col_8':make_lsts([], 4000000, 20)})
test = pd.DataFrame({'col_1':[1], 'col_2':[1], 'col_3':[1], 'col_4':[4], 'col_5':[0], 'col_6':[1], 'col_7':[0], 'col_8':[12]})
t2 = time.time()
old_way(test, data)
new_way(test, data)
print('time building data:', t2-t1)
在我最近的运行中,我看到以下内容:
# old time: 0.2209608554840088
# new time: 0.9070699214935303
# time building data: 75.05818915367126
请注意,即使具有合并功能的新方法在处理值范围的最后一列上也使用 bool 索引,但我认为合并可能能够解决问题。显然情况并非如此,因为第一列的合并几乎占用了新方法中使用的所有时间。
是否可以优化合并功能的实现? (来自 R 和 data.table,我花了 30 分钟寻找在 pandas 数据框中设置键的方法,但没有成功。)这只是 merge 不擅长处理的问题吗?为什么在此示例中 bool 索引比合并更快?
我不完全理解这些方法的内存后端,因此任何见解都值得赞赏。
最佳答案
虽然您可以合并任何列集,但是当您合并索引时,合并的性能将是最佳的。
如果更换
tmp = pd.merge(test, data, how='inner', sort=False, copy=False,
on=['col_1', 'col_2', 'col_3', 'col_4', 'col_5', 'col_6', 'col_7'])
与
cols = ['col_%i' % (i+1) for i in xrange(7)]
test.set_index(cols, inplace=True)
data.set_index(cols, inplace=True)
tmp = pd.merge(test, data, how='inner', left_index=True, right_index=True)
test.reset_index(inplace=True)
data.reset_index(inplace=True)
这样运行得更快吗?我还没有测试过,但我认为这应该有帮助......
通过对要合并的列建立索引,DataFrame 将在后台组织数据,这样它比数据仅在普通列中更快地知道在哪里查找值。
关于python - Pandas 合并与 bool 索引,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35005690/
我有几个长度不等的 vector ,我想对其进行cbind。我将 vector 放入列表中,并尝试结合使用do.call(cbind, ...): nm <- list(1:8, 3:8, 1:5)
合并(合并)两个 JSONObjects 的最佳方式是什么? JSONObject o1 = { "one": "1", "two": "2", "three": "3" }
我在一个表中有许多空间实体,其中有一个名为 Boundaries 的 geometry 字段。我想生成一个具有简化形状/几何图形的 GeoJson 文件。 这是我的第一次尝试: var entitie
谁能说出为什么这个选择返回 3.0 而不是 3.5: SELECT coalesce(1.0*(7/2),0) as foo 这个返回 3: SELECT coalesce(7/2,0) as foo
首先抱歉,也许这个问题已经提出,但我找不到任何可以帮助我的东西,可能是因为我对 XSLT 缺乏了解。 我有以下 XML: 0 OK
有时用户会使用 Windows 资源管理器复制文件并在他们应该执行 svn 存储库级别的复制或合并时提交它们。因此,SVN 没有正确跟踪这些变化。一旦我发现这一点,损坏显然已经完成,并且可能已经对相关
我想组合/堆叠 2 个不同列的值并获得唯一值。 如果范围相邻,则可以正常工作。例如: =UNIQUE(FILTERXML(""&SUBSTITUTE(TEXTJOIN(",",TRUE,TRANSPO
使用iTextSharp,如何将多个PDF合并为一个PDF,而又不丢失每个PDF中的“表单字段”及其属性? (我希望有一个使用来自数据库的流的示例,但文件系统也可以) 我发现this code可以正常
是否有一个合并函数可以优先考虑公共(public)变量中的非缺失值? 考虑以下示例。 首先,我们生成两个 data.frames,它们具有相同的 ID,但在特定变量上有互补的缺失值: set.seed
我们正在尝试实现 ALM Rangers 在最新的 Visual Studio TFS Branching and Merging Guide 中描述的“基本双分支计划”。 .从指导: The bas
我在不同目录(3个不同名称)中有很多(3个只是一个例子)文本文件,如下所示: 目录:A,文件名:run.txt 格式:txt制表符分隔 ; file one 10 0.2 0.5 0.
我有一张包含学生等级关系的表: Student Grade StartDate EndDate 1 1 09/01/2009 NULL 2
我在学习 https://www.doctrine-project.org/projects/doctrine-orm/en/2.6/reference/working-with-associatio
我觉得我有世界上最简单的 SVN 用例: 我有一个文件,Test.java在 trunk SVN的。 我分行trunk至 dev-branch . 我搬家Test.java进入 com/mycompa
我有两个数据框,其中一些列名称相同,而另一些列名称不同。数据框看起来像这样: df1 ID hello world hockey soccer 1 1 NA NA
Elasticsearch 中是否缺少以扁平化形式(多个子/子aggs)返回结果的方法? 例如,当前我正在尝试获取所有产品类型及其状态(在线/离线)。 这就是我最终得到的: aggs [ { key:
如何合并如下所示的 map : Map1 = Map(1 -> Class1(1), 2 -> Class1(2)) Map2 = Map(2 -> Class2(1), 3 -> Class2(2)
我试图通过从netezza服务器导入数据来合并两个数据集。 以下是数据集,其数字为,ID为,字母为,名称为: 下表都是使用命令从netezza导入的: sqoop import --connect n
我有两个数组 $array1 = array('first', 'second', 'third', 'fourth'); $array2 = array('first', 'third', 'fou
我正在 SQL Server 中运行合并。在我的更新中,我只想在值发生更改时更新该行。有一个版本行在每次更新时都会递增。下面是一个例子: MERGE Employee as tgt USING (SE
我是一名优秀的程序员,十分优秀!