python - 有没有比使用循环和 iloc 更快的方法在小 Pandas 数据帧上进行整行比较？

Question

我有大量的小 Pandas 数据帧，我必须在这些数据帧上进行整行比较并将结果写入新的数据帧，这些数据帧稍后会被连接起来。

对于行比较，我使用 iloc 在数据帧的长度上进行双循环。我不知道是否有更快的方法，我这样做的方式似乎很慢:

# -*- coding: utf-8 -*-
import pandas as pd
import time

def processFrames1(DF):
  LL = []
  for i in range(len(DF)):
    for j in range(len(DF)):
      if DF.iloc[i][0] != DF.iloc[j][0]:
        T = {u'T1':DF.iloc[i][0]}
        T[u'T2'] = DF.iloc[j][0]
        T[u'T3'] = 1
        if DF.iloc[i][2] > DF.iloc[j][2]:
          T[u'T4'] = 1
        elif DF.iloc[i][2] < DF.iloc[j][2]:
          T[u'T4'] = -1
        else:
          T[u'T4'] = 0
        if DF.iloc[i][1] < DF.iloc[j][1]:
          T[u'T5'] = 1
        else:
          T[u'T5'] = -1
        LL.append(T)
  return pd.DataFrame.from_dict(LL)

D = [{'A':'XA','B':1,'C':1.4}\
    ,{'A':'RT','B':2,'C':10}\
    ,{'A':'HO','B':3,'C':34}\
    ,{'A':'NJ','B':4,'C':0.41}\
    ,{'A':'WF','B':5,'C':114}\
    ,{'A':'DV','B':6,'C':74}\
    ,{'A':'KP','B':7,'C':2.4}]

P = pd.DataFrame.from_dict(D)
time0 = time.time()
for i in range(10):
  X = processFrames1(P)
print time.time()-time0
print X

产生结果:

0.836999893188
    T1  T2  T3  T4  T5
0   XA  RT   1  -1   1
1   XA  HO   1  -1   1
2   XA  NJ   1   1   1
3   XA  WF   1  -1   1
4   XA  DV   1  -1   1
5   XA  KP   1  -1   1
6   RT  XA   1   1  -1
7   RT  HO   1  -1   1
8   RT  NJ   1   1   1
9   RT  WF   1  -1   1
10  RT  DV   1  -1   1
11  RT  KP   1   1   1
12  HO  XA   1   1  -1
13  HO  RT   1   1  -1
14  HO  NJ   1   1   1
15  HO  WF   1  -1   1
16  HO  DV   1  -1   1
17  HO  KP   1   1   1
18  NJ  XA   1  -1  -1
19  NJ  RT   1  -1  -1
20  NJ  HO   1  -1  -1
21  NJ  WF   1  -1   1
22  NJ  DV   1  -1   1
23  NJ  KP   1  -1   1
24  WF  XA   1   1  -1
25  WF  RT   1   1  -1
26  WF  HO   1   1  -1
27  WF  NJ   1   1  -1
28  WF  DV   1   1   1
29  WF  KP   1   1   1
30  DV  XA   1   1  -1
31  DV  RT   1   1  -1
32  DV  HO   1   1  -1
33  DV  NJ   1   1  -1
34  DV  WF   1  -1  -1
35  DV  KP   1   1   1
36  KP  XA   1   1  -1
37  KP  RT   1  -1  -1
38  KP  HO   1  -1  -1
39  KP  NJ   1   1  -1
40  KP  WF   1  -1  -1
41  KP  DV   1  -1  -1

处理这个有代表性的数据框 10 次几乎需要整整一秒，而我将不得不处理超过一百万个数据框。

有没有更快的方法来进行这些整行比较？

编辑1:经过一些修改后，我可以让 Javier 的代码创建正确的输出:

def compare_values1(x,y):
  if x>y: return 1
  elif x<y: return -1
  else: return 0

def compare_values2(x,y):
  if x<y: return 1
  elif x>y: return -1
  else: return 0

def processFrames(P):
  D = P.to_dict(orient='records')
  d_A2B = {d["A"]:d["B"] for d in D}
  d_A2C = {d["A"]:d["C"] for d in D}
  keys = list(d_A2B.keys())
  LL = []
  for i in range(len(keys)):
    k_i = keys[i]
    for j in range(len(keys)):
      if i != j:
        k_j = keys[j]
        LL.append([k_i,k_j,1,compare_values1(\
         d_A2C[k_i],d_A2C[k_j]),compare_values2(d_A2B[k_i],d_A2B[k_j])])
  return pd.DataFrame(LL,columns=['T1','T2','T3','T4','T5'])

此函数的运行速度提高了大约 60 倍。

编辑2:四种可能性的最终判断:

=============== 使用小数据框:

我原来的功能:

%timeit processFrames1(P)
10 loops, best of 3: 85.3 ms per loop

jezrael 的解决方案:

%timeit processFrames2(P)
1 loop, best of 3: 286 ms per loop

Javier 修改后的代码:

%timeit processFrames3(P)
1000 loops, best of 3: 1.24 ms per loop

Divakar 的方法:

%timeit processFrames4(P)
1000 loops, best of 3: 1.98 ms per loop

=============== 对于大数据框:

我原来的功能:

%timeit processFrames1(P)
1 loop, best of 3: 2.22 s per loop

jezrael 的解决方案:

%timeit processFrames2(P)
1 loop, best of 3: 295 ms per loop

Javier 修改后的代码:

%timeit processFrames3(P)
100 loops, best of 3: 3.13 ms per loop

Divakar 的方法:

%timeit processFrames4(P)
100 loops, best of 3: 2.19 ms per loop

所以这几乎是最后两者之间的平局。感谢大家的帮助，非常需要这种加速。

编辑 3:

Divakar 已经编辑了他们的代码，这是新的结果:

小数据框:

%timeit processFrames(P)
1000 loops, best of 3: 492 µs per loop

大数据框:

%timeit processFrames(P)
1000 loops, best of 3: 844 µs per loop

非常令人印象深刻，绝对的赢家。

编辑 4:

Divakar 的方法略有修改，因为我现在在我的程序中使用它:

def processFrames(P):
  N = len(P)
  N_range = np.arange(N)
  valid_mask = (N_range[:,None] != N_range).ravel()
  colB = P.B.values
  colC = P.C.values
  T2_arr = np.ones(N*N,dtype=int)
  T4_arr = np.zeros((N,N),dtype=int)
  T4_arr[colC[:,None] > colC] = 1
  T4_arr[colC[:,None] < colC] = -1
  T5_arr = np.zeros((N,N),dtype=int)
  T5_arr[colB[:,None] > colB] = -1
  T5_arr[colB[:,None] < colB] = 1
  strings = P.A.values
  c0,c1 = np.meshgrid(strings,strings)
  arr = np.column_stack((c1.ravel(), c0.ravel(), T2_arr,T4_arr.ravel(),\
                         T5_arr.ravel()))[valid_mask]
  return arr[:,0],arr[:,1],arr[:,2],arr[:,3],arr[:,4]

我正在创建一个包含五个键的字典，每个键包含一个列表，每个键代表五个结果列，然后我只用结果扩展列表，完成后我从字典制作一个 pandas 数据框。这比连接到现有数据框要快得多。

PS:我从中学到的一件事:如果可以以任何方式避免使用 iloc，则永远不要使用它。

Answer 1

这是一种使用 NumPy broadcasting 的方法-

def processFrames1_broadcasting(P):

    N = len(P)
    N_range = np.arange(N)
    valid_mask = (N_range[:,None] != N_range).ravel()

    colB = P.B.values
    colC = P.C.values

    T2_arr = np.ones(N*N,dtype=int)

    T4_arr = np.zeros((N,N),dtype=int)
    T4_arr[colC[:,None] > colC] = 1
    T4_arr[colC[:,None] < colC] = -1

    T5_arr = np.where(colB[:,None] < colB,1,-1)

    strings = P.A.values
    c0,c1 = np.meshgrid(strings,strings)


    arr = np.column_stack((c1.ravel(), c0.ravel(), T2_arr,T4_arr.ravel(),\
                            T5_arr.ravel()))[valid_mask]

    df = pd.DataFrame(arr, columns=[['T1','T2','T3','T4','T5']])

    return df

运行时测试-

对于问题中发布的示例，我最后得到的运行时间是 -

In [337]: %timeit processFrames1(P)
10 loops, best of 3: 93.1 ms per loop

In [338]: %timeit processFrames1_jezrael(P) #@jezrael's soln
10 loops, best of 3: 74.8 ms per loop

In [339]: %timeit processFrames1_broadcasting(P)
1000 loops, best of 3: 561 µs per loop