Question

我有一个非常大的数据框df，如下所示：

ID       Value1    Value2
1345      3.2      332
1355      2.2      32
2346      1.0      11
3456      8.9      322

我有一个包含ID ID_list子集的列表。对于df中包含的ID，我需要有ID_list的子集。

目前，我正在使用df_sub=df[df.ID.isin(ID_list)]来执行此操作。但这需要很多时间。 ID中包含的ID_list没有任何模式，因此它不在一定范围内。（我需要对许多类似的数据帧应用相同的操作。我想知道是否有更快的方法来执行此操作。如果将ID作为索引，它会有很大帮助吗？

谢谢！

Answer 1

编辑2：这里有一个指向各种pandas操作性能的最新内容的链接，但它似乎并未包括合并和加入。

https://github.com/mm-mansour/Fast-Pandas

编辑1：这些基准测试是针对一个相当古老的熊猫版本，可能仍然没有相关性。请参阅以下关于merge的Mike评论。

这取决于数据的大小，但对于大型数据集DataFrame.join似乎是要走的路。这需要您的DataFrame索引为您的ID＆＃39;您加入的系列或DataFrame会有一个索引，即您的ID_list＆＃39;。该系列还必须有一个name与join一起使用，并将其作为名为name的新字段拉入。您还需要指定内部联接以获取类似isin的内容，因为join默认为左联接。对于大型数据集，查询in语法似乎具有与isin相同的速度特性。

如果你正在处理小数据集，你会得到不同的行为，使用列表理解或应用字典实际上比使用isin更快。

否则，您可以尝试使用Cython来提高速度。

# I'm ignoring that the index is defaulting to a sequential number. You
# would need to explicitly assign your IDs to the index here, e.g.:
# >>> l_series.index = ID_list
mil = range(1000000)
l = mil
l_series = pd.Series(l)

df = pd.DataFrame(mil, columns=['ID'])


In [247]: %timeit df[df.index.isin(l)]
1 loops, best of 3: 1.12 s per loop

In [248]: %timeit df[df.index.isin(l_series)]
1 loops, best of 3: 549 ms per loop

# index vs column doesn't make a difference here
In [304]: %timeit df[df.ID.isin(l_series)]
1 loops, best of 3: 541 ms per loop

In [305]: %timeit df[df.index.isin(l_series)]
1 loops, best of 3: 529 ms per loop

# query 'in' syntax has the same performance as 'isin'
In [249]: %timeit df.query('index in @l')
1 loops, best of 3: 1.14 s per loop

In [250]: %timeit df.query('index in @l_series')
1 loops, best of 3: 564 ms per loop

# ID must be the index for DataFrame.join and l_series must have a name.
# join defaults to a left join so we need to specify inner for existence.
In [251]: %timeit df.join(l_series, how='inner')
10 loops, best of 3: 93.3 ms per loop

# Smaller datasets.
df = pd.DataFrame([1,2,3,4], columns=['ID'])
l = range(10000)
l_dict = dict(zip(l, l))
l_series = pd.Series(l)
l_series.name = 'ID_list'


In [363]: %timeit df.join(l_series, how='inner')
1000 loops, best of 3: 733 µs per loop

In [291]: %timeit df[df.ID.isin(l_dict)]
1000 loops, best of 3: 742 µs per loop

In [292]: %timeit df[df.ID.isin(l)]
1000 loops, best of 3: 771 µs per loop

In [294]: %timeit df[df.ID.isin(l_series)]
100 loops, best of 3: 2 ms per loop

# It's actually faster to use apply or a list comprehension for these small cases.
In [296]: %timeit df[[x in l_dict for x in df.ID]]
1000 loops, best of 3: 203 µs per loop

In [299]: %timeit df[df.ID.apply(lambda x: x in l_dict)]
1000 loops, best of 3: 297 µs per loop

Answer 2

是的，isin很慢。

相反，将ID用作索引然后使用use loc更快，例如：

df.set_index('ID', inplace=True)
df.loc[list_of_indices]

实际上，带我到此页面的是，我需要基于另一个df中的索引在df中创建标签：“如果df_1的索引与df_2的索引匹配，则将其标记为1，否则将其标记为NaN”，我是这样完成的：

df_2['label'] = 1  # Create a label column
df_1.join(df_2['label'])

速度也很快。

Pandas`isin`功能的更快替代品

2 个答案: