我有两个数据帧 s
和 sk
大约有 1M
元素,我需要生成一个新的数据帧 df
从哪里:
df.iloc[i] = s.iloc[f(i)] / sk.iloc[g(i)]
其中 f
和 g
是返回整数的函数。
目前我在做:
data = []
for i in range(s.shape[0])):
data.append(s.iloc[f(i)] / sk.iloc[g(i)])
df = pd.DataFrame(data, columns=s.columns)
但这似乎很慢。大约需要 5 分钟(数据帧有 9 个 float
列)。
只有 10M
个分区,所以 5 分钟似乎低于标准。所有的时间似乎都花在迭代s
和sk
上,所以我想知道是否有办法构建s[f]
和sk[g]
很快?
编辑
f
和g
是类似于
def f(i): return math.ceil(i / 23)
def g(i): return math.ceil(i / 23) + ((i - 1) % 23)
最佳答案
您的函数很容易向量化。
def f_vec(i):
return np.ceil(i / 23).astype(int)
def g_vec(i):
return (np.ceil(i / 23) + ((i - 1) % 23)).astype(int)
正如@Wen 指出的那样,我们可以通过编写一个包装器来进一步优化它,只计算一次上限。
def wrapper(i, a, b):
cache_ceil = np.ceil(i / 23).astype(int)
fidx = cache_ceil
gidx = cache_ceil + ((i - 1) % 23)
return a.iloc[fidx].to_numpy() / b.iloc[gidx].to_numpy()
索引对齐在这里也不利于您。如果你真的想要两个结果的元素除法,在除法之前下拉到 numpy
:
s.iloc[f_vec(idx)].to_numpy() / sk.iloc[g_vec(idx)].to_numpy()
现在测试速度。
设置
a = np.random.randint(1, 10, (1_000_000, 10))
s = pd.DataFrame(a)
sk = pd.DataFrame(a)
idx = np.arange(1_000_000)
性能
%timeit s.iloc[f_vec(idx)].to_numpy() / sk.iloc[g_vec(idx)].to_numpy()
265 ms ± 5.28 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit wrapper(idx, s, sk)
200 ms ± 3.84 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
关于python - 有没有更快的方法来生成这个 Pandas 数据框?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58920196/