python - pandas 中非唯一索引的性能影响是什么？

Question

从 pandas 文档中，我收集到唯一值索引可以提高某些操作的效率，并且偶尔可以容忍非唯一索引。

从外部看，非唯一索引似乎不会以任何方式被利用。例如，下面的 ix 查询速度很慢，以至于它似乎正在扫描整个数据帧

In [23]: import numpy as np
In [24]: import pandas as pd
In [25]: x = np.random.randint(0, 10**7, 10**7)
In [26]: df1 = pd.DataFrame({'x':x})
In [27]: df2 = df1.set_index('x', drop=False)
In [28]: %timeit df2.ix[0]
1 loops, best of 3: 402 ms per loop
In [29]: %timeit df1.ix[0]
10000 loops, best of 3: 123 us per loop

(我意识到两个 ix 查询不会返回相同的内容——这只是一个示例，在非唯一索引上调用 ix 看起来要慢得多)

有什么方法可以让 pandas 使用更快的查找方法，例如对非唯一和/或排序索引进行二分查找？

Answer 1

当索引唯一时，pandas 使用哈希表将键映射到值 O(1)。当索引非唯一且已排序时，pandas 使用二分查找 O(logN)，当索引为随机排序时，pandas 需要检查索引中的所有键 O(N)。

你可以调用sort_index方法:

import numpy as np
import pandas as pd
x = np.random.randint(0, 200, 10**6)
df1 = pd.DataFrame({'x':x})
df2 = df1.set_index('x', drop=False)
df3 = df2.sort_index()
%timeit df1.loc[100]
%timeit df2.loc[100]
%timeit df3.loc[100]

结果:

10000 loops, best of 3: 71.2 µs per loop
10 loops, best of 3: 38.9 ms per loop
10000 loops, best of 3: 134 µs per loop