python - 哪一个更可取？np.where 还是 .loc？

Question

我发现了两种根据条件替换数据框的某些值的形式：

1. .loc

mask = df['param'].isnull()
df.loc[mask, 'param'] = 'new_value'

2. np.where()

mask = df['param'].isnull()
df['param'] = np.where(mask, 'new_value', df['param'])

两种形式都运作良好，但哪一种是首选？关于这个问题，我应该什么时候使用.loc以及什么时候使用np.where？

标签： pythonpandasnumpy

Answer 1

好吧，不是一个完整的测试，但这里有一个示例。在每次运行 ( loc, np.where) 中，数据都被重置为带有种子的原始随机数。

玩具数据 1

在这里，有多个np.nan有效值。此外，该列是浮点类型。

np.random.seed(1)
df = pd.DataFrame({'param': np.random.choice((1, np.nan), 1000000, p=(0.3,0.7))})

# loc
%%timeit
mask = df['param'].isnull()
df.loc[mask, 'param'] = 'new_value'
# 46.7 ms ± 177 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

# np.where
%%timeit
mask = df['param'].isnull()
df['param'] = np.where(mask, 'new_value', df['param'])
# 86.8 ms ± 2.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

玩具数据 2：

这里的值小于np.nan有效值，并且该列是对象类型：

np.random.seed(1)
df = pd.DataFrame({'param': np.random.choice(("1", np.nan), 1000000, p=(0.7,0.3))})

相同的故事：

df.loc[mask, 'param'] = 'new_value'
# 47.8 ms ± 350 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

df['param'] = np.where(mask, 'new_value', df['param'])
# 58.9 ms ± 1.72 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

所以与@cs95 的评论相反，loc似乎跑赢大盘np.where。