- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我在查询规范很多的时候经常遇到一个问题,如何加快这个过程?
基本上我真的经常使用apply
函数来获得结果,但很多时候,计算需要很长的时间。
是否有好的做法来找到如何优化 Pandas 代码?
这是一个示例,我有一个 DataFrame 表示包含 3 列的聊天交换:
timestamp
:消息的时间戳sender_id
: 发件人idreceiver_id
: 接收方id目标是找到在不到 5 分钟内得到响应的消息的比例。这是我的代码:
import pandas as pd
import numpy as np
import datetime
size_df = 30000
np.random.seed(42)
data = {
'timestamp': pd.date_range('2019-03-01', periods=size_df, freq='30S').astype(int),
'sender_id': np.random.randint(5, size=size_df),
'receiver_id': np.random.randint(5, size=size_df)
}
dataframe = pd.DataFrame(data)
这是 DataFrame 的样子:
print(dataframe.head().to_string())
timestamp sender_id receiver_id
0 1551398400000000000 4 2
1 1551398430000000000 3 2
2 1551398460000000000 1 1
3 1551398490000000000 4 3
4 1551398520000000000 4 3
apply使用的函数:
def apply_find_next_answer_within_5_min(row):
"""
Find the index of the next response in a range of 5 minutes
"""
[timestamp, sender, receiver] = row
## find the next responses from receiver to sender in the next 5 minutes
next_responses = df_groups.get_group((receiver, sender))["timestamp"]\
.loc[lambda x: (x > timestamp) & (x < timestamp + 5 * 60 * 1000 * 1000 * 1000)]
## if there is no next responses just return NaN
if not next_responses.size:
return np.nan
## find the next messages from sender to receiver in the next 5 minutes
next_messages = df_groups.get_group((sender, receiver))["timestamp"]\
.loc[lambda x: (x > timestamp) & (x < timestamp + 5 * 60 * 1000 * 1000 * 1000)]
## if the first next message is before next response return nan else return index next reponse
return np.nan if next_messages.size and next_messages.iloc[0] < next_responses.iloc[0] else next_responses.index[0]
%%timeit
df_messages = dataframe.copy()
## create a dataframe to easily find messages from a specific sender and receiver, speed up the querying process for these messages.
df_groups = df_messages.groupby(["sender_id", "receiver_id"])
df_messages["next_message"] = df_messages.apply(lambda row: apply_find_next_answer_within_5_min(row), axis=1)
输出timeit
:
42 s ± 2.16 s per loop (mean ± std. dev. of 7 runs, 1 loop each)
因此,为 30 000 行
DataFrame 应用该函数需要 42 秒
。我认为它很长,但我没有找到提高效率的方法。通过使用对发送方和接收方进行分组的中间数据帧而不是在应用函数中查询大数据帧,我已经获得了 40 秒
。
这将是这个特定问题的响应:
1 - df_messages.next_message[lambda x: pd.isnull(x)].size / df_messages.next_message.size
0.2753
那么在这种情况下,您如何找到更有效的计算方法呢?有什么技巧可以考虑吗?
在这个例子中,我认为不可能一直使用矢量化,但也许通过使用更多的组,可以更快?
最佳答案
您可以尝试对您的数据框进行分组
groups = dataframe.reset_index()\ #I reset_index for later to get the value
.groupby([ frozenset([se, re]) #need frosenset to allow the groupby
for se, re in dataframe[['sender_id', 'receiver_id']].values])
现在您可以创建符合条件的 bool 掩码
mask_1 = ( # within a group, check if the following message is sent from the other one
(groups.sender_id.diff(-1).ne(0)
# or if the person talks to oneself
| dataframe.sender_id.eq(dataframe.receiver_id) )
# and check if the following message is within 5 min
& groups.timestamp.diff(-1).gt(-5*60*1000*1000*1000))
现在使用掩码查找索引创建列并在索引上移动:
df_messages.loc[mask_1, 'next_message'] = groups['index'].shift(-1)[mask_1]
你喜欢你的方法并且应该更快:
print (df_messages.head(20))
timestamp sender_id receiver_id next_message
0 1551398400000000000 3 1 NaN
1 1551398430000000000 4 1 NaN
2 1551398460000000000 2 3 NaN
3 1551398490000000000 4 1 NaN
4 1551398520000000000 4 3 NaN
5 1551398550000000000 1 1 NaN
6 1551398580000000000 2 3 10.0
7 1551398610000000000 2 4 NaN
8 1551398640000000000 2 4 NaN
9 1551398670000000000 4 1 NaN
10 1551398700000000000 3 2 NaN
11 1551398730000000000 2 4 NaN
12 1551398760000000000 4 0 18.0
13 1551398790000000000 1 0 NaN
14 1551398820000000000 3 3 16.0
15 1551398850000000000 1 2 NaN
16 1551398880000000000 3 3 NaN
17 1551398910000000000 4 1 NaN
18 1551398940000000000 0 4 NaN
19 1551398970000000000 3 2 NaN
关于python - 当有多个规范时,在 Pandas 中优化计算的最佳做法是什么?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/57467204/
SQLite、Content provider 和 Shared Preference 之间的所有已知区别。 但我想知道什么时候需要根据情况使用 SQLite 或 Content Provider 或
警告:我正在使用一个我无法完全控制的后端,所以我正在努力解决 Backbone 中的一些注意事项,这些注意事项可能在其他地方更好地解决......不幸的是,我别无选择,只能在这里处理它们! 所以,我的
我一整天都在挣扎。我的预输入搜索表达式与远程 json 数据完美配合。但是当我尝试使用相同的 json 数据作为预取数据时,建议为空。点击第一个标志后,我收到预定义消息“无法找到任何内容...”,结果
我正在制作一个模拟 NHL 选秀彩票的程序,其中屏幕右侧应该有一个 JTextField,并且在左侧绘制弹跳的选秀球。我创建了一个名为 Ball 的类,它实现了 Runnable,并在我的主 Draf
这个问题已经有答案了: How can I calculate a time span in Java and format the output? (18 个回答) 已关闭 9 年前。 这是我的代码
我有一个 ASP.NET Web API 应用程序在我的本地 IIS 实例上运行。 Web 应用程序配置有 CORS。我调用的 Web API 方法类似于: [POST("/API/{foo}/{ba
我将用户输入的时间和日期作为: DatePicker dp = (DatePicker) findViewById(R.id.datePicker); TimePicker tp = (TimePic
放宽“邻居”的标准是否足够,或者是否有其他标准行动可以采取? 最佳答案 如果所有相邻解决方案都是 Tabu,则听起来您的 Tabu 列表的大小太长或您的释放策略太严格。一个好的 Tabu 列表长度是
我正在阅读来自 cppreference 的代码示例: #include #include #include #include template void print_queue(T& q)
我快疯了,我试图理解工具提示的行为,但没有成功。 1. 第一个问题是当我尝试通过插件(按钮 1)在点击事件中使用它时 -> 如果您转到 Fiddle,您会在“内容”内看到该函数' 每次点击都会调用该属
我在功能组件中有以下代码: const [ folder, setFolder ] = useState([]); const folderData = useContext(FolderContex
我在使用预签名网址和 AFNetworking 3.0 从 S3 获取图像时遇到问题。我可以使用 NSMutableURLRequest 和 NSURLSession 获取图像,但是当我使用 AFHT
我正在使用 Oracle ojdbc 12 和 Java 8 处理 Oracle UCP 管理器的问题。当 UCP 池启动失败时,我希望关闭它创建的连接。 当池初始化期间遇到 ORA-02391:超过
关闭。此题需要details or clarity 。目前不接受答案。 想要改进这个问题吗?通过 editing this post 添加详细信息并澄清问题. 已关闭 9 年前。 Improve
引用这个plunker: https://plnkr.co/edit/GWsbdDWVvBYNMqyxzlLY?p=preview 我在 styles.css 文件和 src/app.ts 文件中指定
为什么我的条形这么细?我尝试将宽度设置为 1,它们变得非常厚。我不知道还能尝试什么。默认厚度为 0.8,这是应该的样子吗? import matplotlib.pyplot as plt import
当我编写时,查询按预期执行: SELECT id, day2.count - day1.count AS diff FROM day1 NATURAL JOIN day2; 但我真正想要的是右连接。当
我有以下时间数据: 0 08/01/16 13:07:46,335437 1 18/02/16 08:40:40,565575 2 14/01/16 22:2
一些背景知识 -我的 NodeJS 服务器在端口 3001 上运行,我的 React 应用程序在端口 3000 上运行。我在 React 应用程序 package.json 中设置了一个代理来代理对端
我面临着一个愚蠢的问题。我试图在我的 Angular 应用程序中延迟加载我的图像,我已经尝试过这个2: 但是他们都设置了 src attr 而不是 data-src,我在这里遗漏了什么吗?保留 d
我是一名优秀的程序员,十分优秀!