时间戳

首页 > 解决方案 > 如何将一个系列值与另一个整个系列一一比较

python - 如何将一个系列值与另一个整个系列一一比较

问题描述

我有一个如下所示的熊猫数据框，

   col1  col2
0    12     1
1     1     7
2    54    17
3    11   191
4     3    39
5    76     2
6    18     6

生成df的代码：

df=pd.DataFrame({'col1':[12,1,54,11,3,76,18],'col2':[1,7,17,191,39,2,6]})

我想将 col1 值与完整的 col2 系列一一比较。即，将 12 与 col2 进行比较，在 col2 中找到小于 12 的值并计算值，然后对 1 执行相同的操作，然后对 54 执行相同的操作，依此类推，并将结果存储在另一个系列中。

到目前为止，我尝试如下，

df['res']=df.apply(lambda x:len(df[df['col2']<x['col1']]),axis=1)

它按我的预期工作。但这是解决这个问题的无效方法，当系列很大时它很糟糕。

我需要有效的方法来解决这个问题。因为实际数据集包含超过百万条记录。

预期输出：

   col1  col2  res
0    12     1    4
1     1     7    0
2    54    17    6
3    11   191    4
4     3    39    2
5    76     2    6
6    18     6    5

标签： pythonpandas

解决方案

以下使用 numpy （通过使用广播将向量隐式扩展到矩阵）并且比您提出的答案快得多：

df['res'] = (df['col2'].values.reshape(1,-1) < df['col1'].values.reshape(-1,1)).sum(axis=1)

（在具有 10k 行的测试 df 中，在我的机器上需要 0.3 秒而不是 8 秒）。然而，它在行数中使用二次内存，所以如果你的 df 有数百万行，那不是很好......

[编辑] 在时间和空间上都有一个 O(n*log(n)) （n 是行数）的解决方案，这可能在两者中都接近最优（上面是 O(n^2)，实现它在 C 中的时间为 O(n^2)，但在空间中仅为 O(n)），但我没有编写代码，因为它变得令人厌烦，尤其是在处理相等情况等方面。伪代码如下：

  • 对 col1 进行排序并获取其索引。说，这给了你一个字典原始索引 -> 排序索引。
  • 对并列向量 [col1, col2] 进行排序并获取索引。这给出了另一个映射，原始索引 -> 排序索引。
  • 答案应该是第二个向量减去第一个向量的差。

[EDIT2]：实现它实际上比我想象的要容易得多，它只是：

idx1 = np.argsort(np.argsort(df['col1'], kind='mergesort'), kind='mergesort')
idx2 = np.argsort(np.argsort(np.concatenate((df['col1'], df['col2'])), kind='mergesort'), kind='mergesort')[:len(idx1)]
df['res'] = idx2-idx1

如前所述，这在时间和空间上都只是 O(n*log(n))，所以即使 df 很大，它也只需要很少的时间（100k 行 0.1s，1M 行 1.5s）和很少的额外空间.

双 argsort 是由于 numpy 排序约定，np.argsort 不给出排序向量中元素的索引，而是给出 x[idx] 排序的索引。两次执行 argsort 的小技巧给出了原始元素在排序向量中的位置。我添加了 kind='mergesort' 来使用稳定的排序，这本身没什么用，但是如果 col1 和 col2 中都出现了一个值，应该可以解决问题（这是因为我们想在 col2 < col1 时计数；如果我们想要 < =，那么在连接中 col2 应该在 col1 之前）。

推荐阅读