两个表之间的非标准交互以避免非常大的合并

时间:2012-12-17 16:49:26

标签: python join merge pandas binary-search

假设我有两个表AB

A具有多级索引(a, b)和一列(ts)。 b明确地判断。

A = pd.DataFrame(
     [('a', 'x', 4), 
      ('a', 'y', 6), 
      ('a', 'z', 5), 
      ('b', 'x', 4), 
      ('b', 'z', 5), 
      ('c', 'y', 6)], 
     columns=['a', 'b', 'ts']).set_index(['a', 'b'])
AA = A.reset_index()

B是另一个具有非唯一索引(a)的单列(ts)表。 ts在每个组的“内部”排序,即,B.ix[x]按每个x排序。 此外,{em>始终 B.ix[x]中的值大于或等于 A中的值。

B = pd.DataFrame(
    dict(a=list('aaaaabbcccccc'), 
         ts=[1, 2, 4, 5, 7, 7, 8, 1, 2, 4, 5, 8, 9])).set_index('a')

这里的语义是B包含对索引所指示类型事件的出现的观察。

我想从B中找到A中为每个值b指定的时间戳之后的每个事件类型首次出现的时间戳。换句话说,我希望得到一个具有相同形状A的表,而不是ts包含表B指定的“ts之后出现的最小值”。

所以,我的目标是:

C: 
('a', 'x') 4
('a', 'y') 7
('a', 'z') 5
('b', 'x') 7
('b', 'z') 7
('c', 'y') 8

我有一些工作代码,但速度非常慢。

C = AA.apply(lambda row: (
    row[0], 
    row[1], 
    B.ix[row[0]].irow(np.searchsorted(B.ts[row[0]], row[2]))), axis=1).set_index(['a', 'b'])

分析显示罪魁祸首显然是B.ix[row[0]].irow(np.searchsorted(B.ts[row[0]], row[2])))。但是,使用合并/连接的标准解决方案从长远来看会占用太多RAM。

考虑到现在我有1000 a个,假设每个b的平均b数(可能是100-200),并且认为每个a的观测数量可能大约为300。在制作中,我将再增加1000个a

1,000,000 x 200 x 300 = 60,000,000,000

保留在RAM中可能有点太多了,特别是考虑到我需要的数据完全由C语言描述,就像我上面讨论的那样。

我如何改善表现?

2 个答案:

答案 0 :(得分:3)

感谢您提供样本数据。我已经更新了这个答案 建议给出100万分之一的预期数组大小。

  1. 线路资料

    对lambda函数的内容进行线性分析表明花费了大部分时间 在B.ix []中(这里已被重构只被调用一次)。

    In [91]: lprun -f stack.foo1 AA.apply(stack.foo1, B=B, axis=1)
    Timer unit: 1e-06 s
    
    File: stack.py
    Function: foo1 at line 4
    Total time: 0.006651 s
    
    Line #      Hits         Time  Per Hit   % Time  Line Contents
    ==============================================================
         4                                           def foo1(row, B):
         5         6         6158   1026.3     92.6      subset = B.ix[row[0]].ts
         6         6          418     69.7      6.3      idx = np.searchsorted(subset, row[2])
         7         6           56      9.3      0.8      val = subset.irow(idx)
         8         6           19      3.2      0.3      return val
    
  2. 考虑内置数据类型和原始numpy数组而不是更高级别的构造。

    由于B在这里表现得像dict并且多次访问相同的密钥,让我们将df.ix与普通的Python进行比较 字典(在其他地方预先计算)。具有1M键的字典(唯一A值)应该只需要~34MB(33%容量:3 * 1e6 * 12字节)。

    In [102]: timeit B.ix['a']
    10000 loops, best of 3: 122 us per loop
    
    In [103]: timeit dct['a']
    10000000 loops, best of 3: 53.2 ns per loop
    
  3. 用循环替换函数调用

    我能想到的最后一个主要改进是用for循环替换df.apply()以避免调用任何函数200M次(或者大的A是)。

  4. 希望这些想法有所帮助。


    原创的,富有表现力的解决方案,虽然不是内存效率:

    In [5]: CC = AA.merge(B, left_on='a', right_index=True)
    
    In [6]: CC[CC.ts_x <= CC.ts_y].groupby(['a', 'b']).first()
    Out[6]: 
         ts_x  ts_y
    a b            
    a x     4     4
      y     6     7
      z     5     5
    b x     4     7
      z     5     7
    c y     6     8
    

答案 1 :(得分:2)

使用numpy的布尔数组表示法的另一个选项,它看起来比原始表示快一个数量级(在这个小例子中,我怀疑它在更大的数据集上会更好......):
我怀疑这主要是因为选择最小值比排序要快得多。

In [11]: AA.apply(lambda row: (B.ts.values[(B.ts.values >= row['ts']) &
                                           (B.index == row['a'])].min()),
                          axis=1)
Out[11]: 
0    4
1    7
2    5
3    7
4    7
5    8

In [12]: %timeit AA.apply(lambda row: (B.ts.values[(B.ts.values >= row['ts']) &(B.index == row['a'])].min()), axis=1)
1000 loops, best of 3: 1.46 ms per loop

如果您只是将其作为列添加到AA,这似乎是最快的方法。

如果您正在创建一个新的数据框,就像在您的示例中一样 - 尝试“公平”地测试它 - 它速度较慢(但仍然是原始速度的两倍):

In [13]: %timeit C = AA.apply(lambda row: (row[0], row[1], B.ix[row[0]].irow(np.searchsorted(B.ts[row[0]], row[2]))), axis=1).set_index(['a', 'b'])
100 loops, best of 3: 10.3 ms per loop

In [14]: %timeit C = AA.apply(lambda row: (row[0], x[1], B.ts.values[(B.ts.values >= row['ts']) & (B.index == row['a'])].min()), axis=1)
100 loops, best of 3: 4.32 ms per loop