时间戳

首页 > 解决方案 > 使用列数组矢量化 pandas 数据框列查找

python - 使用列数组矢量化 pandas 数据框列查找

问题描述

我有一个熊猫字符串数据框，如下所示。

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randint(97,123,size=(3, 4), dtype=np.uint8).view('S1'), columns=list('ABCD'))
df

出去：

   A  B  C  D
0  q  g  v  f
1  l  m  u  u
2  r  r  j  w

我还有一个列名列表。

col_list = [['A'], ['A', 'B'], ['A', 'B', 'C']]

我想切片df并应用如下操作：

df[col_list[1]].values.sum(axis=1)

出去：

array(['qg', 'lm', 'rr'], dtype=object)

同样，我需要对col_list. 我可以在 for 循环中执行此操作，但如果列表很大，这会很慢。有没有办法对此进行矢量化，以便我可以col_list作为一个 numpy 数组传递，结果是一个 shape 的 numpy 2D 数组(len(col_list), len(df.index))。

关键是，对于大型列表，它需要快速。

标签： pythonpandasnumpyvectorization

解决方案

numpy与r_、cumsum和一起使用hsplit：

import numpy as np

arr_list = np.hsplit(df.loc[:, np.r_[[i for l in col_list for i in l]]].values, 
               np.cumsum(list(map(len, col_list))))
res1 = list(map(lambda x:np.sum(x, 1), arr_list))[:-1]

col_list如果有 3000 个列表，则比正常循环快 60 倍：

col_list = [['A'], ['A', 'B'], ['A', 'B', 'C']] * 1000

numpy：

%%timeit

arr_list = np.hsplit(df.loc[:, np.r_[[i for l in col_list for i in l]]].values, 
               np.cumsum(list(map(len, col_list))))
res1 = list(map(lambda x:np.sum(x, 1), arr_list))[:-1]
# 24.3 ms ± 3.36 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

for环形：

%%timeit

for l in col_list:
    df[l].values.sum(axis=1)
# 1.53 s ± 62.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

验证：

all(all(i == j) for i,j in zip(res1, res2))
# True

推荐阅读