python - 有没有更快的方法来生成这个 Pandas 数据框？

Question

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

的简单函数

def f(i): return math.ceil(i / 23)
def g(i): return math.ceil(i / 23) + ((i - 1) % 23)

Answer 1

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)