大熊猫中非唯一索引的性能影响是什么？

Question

从熊猫文档中，我收集到了独特的指数使得某些操作有效，并且偶尔会容忍非唯一索引。

从外部来看，看起来不是非独特的指数以任何方式被利用。例如，以下ix查询足够慢，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东西 - 它只是一个示例，在非唯一索引上调用ix看起来要慢得多）

有没有办法哄骗大熊猫使用更快的查找方法，比如对非唯一和/或排序索引进行二元搜索？

Answer 1

当index是唯一的时，pandas使用哈希表将键映射到值O（1）。当index是非唯一且已排序时，pandas使用二进制搜索O（logN），当index是随机排序时，pandas需要检查索引O（N）中的所有键。

您可以拨打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

Answer 2

@HYRY说得很好，但没有什么能说得像带有定时的彩色图表。

---

基准代码
使用perfplot生成了图。

import pandas as pd
import perfplot

_rnd = np.random.RandomState(42)

def make_data(n):    
    x = _rnd.randint(0, 200, n)
    df1 = pd.DataFrame({'x':x})
    df2 = df1.set_index('x', drop=False)
    df3 = df2.sort_index()

    return df1, df2, df3

perfplot.show(
    setup=lambda n: make_data(n),
    kernels=[
        lambda dfs: dfs[0].loc[100],
        lambda dfs: dfs[1].loc[100],        
        lambda dfs: dfs[2].loc[100],
    ],
    labels=['Unique index', 'Non-unique, unsorted index', 'Non-unique, sorted index'],
    n_range=[2 ** k for k in range(8, 20)],
    xlabel='N',
    equality_check=False
)