Pandas：从数据框中选择时速度慢

Question

我有一个 DataFrame，它是根据从数据库中获得的字典列表创建的。我正在尝试将其用作内存数据库，我使用以下函数对其进行查询：

def filter_entities(df, name1, name2):
    key = ((df.name1 == name1) &
           (df.name2 == name2))

    rows = df.loc[key]
    if len(rows) == 0:
        return None
    return rows.iloc[0]

这样做似乎比我预期的要慢得多。即使在几百行上进行测试，每次调用也需要大约 1 毫秒。我在创建数据框时尝试在这些列上设置索引，但这并不影响性能：

entities.set_index(['name1', 'name2'], drop=False, inplace=True)

这是创建测试数据集的快速方法：

import random, string
import pandas as pd
df = pd.DataFrame([{
   'name1': ''.join([random.choice(string.letters) for i in range(10)]),
   'name2': ''.join([random.choice(string.letters) for i in range(10)]),
   'val1': random.randint(0, 2**16),
   'val2': random.randint(0, 2**16),
   'val3': random.randint(0, 2**16),
   } for j in range(1000)])

In[27]: %timeit filter_entities(df, df['name1'][100], df['name2'][100])
1000 loops, best of 3: 1.91 ms per loop

我正在尝试寻找一种有效的方法来查询我的数据。在 pandas 中有更好的方法吗？

Answer 1

是的。这可以在 pandas 中执行。我为示例创建了一些示例数据。

以下行对 'name1' 等于 bob 且 'name2' 等于 greg 的列的数据框进行子集化。

df[(df['name1'] == 'bob') & (df['name2'] == 'greg')]

完整代码：

import pandas as pd

data = [{'name1': 'bob', 'name2':  'greg', 'value': 1},
        {'name1': 'bob', 'name2':  'greg', 'value': 2},
        {'name1': 'jim', 'name2':  'greg', 'value': 3},
        {'name1': 'bob', 'name2':  'greg', 'value': 4},
        {'name1': 'bob', 'name2':  'tim', 'value': 5},
        {'name1': 'bob', 'name2':  'jo', 'value': 6}]

    df = pd.DataFrame(data)
    print df[(df['name1'] == 'bob') & (df['name2'] == 'greg')]

      name1 name2  value
    0   bob  greg      1
    1   bob  greg      2
    3   bob  greg      4

def filter_entities(entities, name1, name2):
    key = ((entities.name1 == name1) &
           (entities.name2 == name2))

    rows = entities.loc[key]
    if len(rows) == 0:
        return None
    return rows.iloc[0]

%timeit test1 = df[(df['name1'] == 'bob') & (df['name2'] == 'greg')]
%timeit test2 = filter_entities(df, 'bob', 'greg')

100 loops, best of 3: 2.02 ms per loop
100 loops, best of 3: 2.31 ms per loop

Answer 2

将列设置为索引确实提高了我的性能。

使用您原来的 filter_entities 函数：

In [25]: %timeit filter_entities(df, df['name1'][100], df['name2'][100])

1000 loops, best of 3: 1.36 ms per loop

然后将列设置为索引，然后索引该帧：

In [26]: df2 = df.set_index(['name1', 'name2'])

In [27]: %timeit df2.loc[df['name1'][100], df['name2'][100]]
10000 loops, best of 3: 160 µs per loop

请注意，在 filter_entities 函数中花费的大部分时间用于布尔比较（创建 key，而不是索引本身）。

第二个注意事项：如果这种规模的性能对你很重要，那么在很多情况下，如果你需要以这种方式重复访问单个行，或者你是否可以这样做，那么考虑更大的图景也很有用更矢量化。

Answer 3

更改此行：

df[(df['name1'] == 'bob') & (df['name2'] == 'greg')]

为此：

df2 = df[(df['name1'] == 'bob')]
df3 = df2[(df2['name2'] == 'greg')]

为我减少了一半的时间。

Pandas：从数据框中选择时速度慢

Pandas: slow when selecting from dataframe

python

pandas