是否有更有效的方法将一个DF中每一行的每列与另一个DF的每一行中的每一列进行比较？这对我来说很邋,,但我的循环/应用尝试要慢得多。
df1 = pd.DataFrame({'a': np.random.randn(1000),
'b': [1, 2] * 500,
'c': np.random.randn(1000)},
index=pd.date_range('1/1/2000', periods=1000))
df2 = pd.DataFrame({'a': np.random.randn(100),
'b': [2, 1] * 50,
'c': np.random.randn(100)},
index=pd.date_range('1/1/2000', periods=100))
df1 = df1.reset_index()
df1['embarrassingHackInd'] = 0
df1.set_index('embarrassingHackInd', inplace=True)
df1.rename(columns={'index':'origIndex'}, inplace=True)
df1['df1Date'] = df1.origIndex.astype(np.int64) // 10**9
df1['df2Date'] = 0
df2 = df2.reset_index()
df2['embarrassingHackInd'] = 0
df2.set_index('embarrassingHackInd', inplace=True)
df2.rename(columns={'index':'origIndex'}, inplace=True)
df2['df2Date'] = df2.origIndex.astype(np.int64) // 10**9
df2['df1Date'] = 0
timeit df3 = abs(df1-df2)
10个循环，最佳3：每循环60.6毫秒
我需要知道进行了哪个比较，因此每个对立指数的丑陋添加到比较DF，以便最终在最终的DF中。
提前感谢您的任何帮助。
答案 0 :(得分：6)
您发布的代码显示了一种生成减法表的巧妙方法。然而，它并没有发挥熊猫的优势。 Pandas DataFrames将基础数据存储在基于列的块中。因此，按列完成数据检索的速度最快，而不是按行完成。由于所有行都具有相同的索引，因此通过行执行减法（将每行与每隔一行配对），这意味着在df1-df2中进行了大量基于行的数据检索。这对于Pandas来说并不理想，特别是当并非所有列都具有相同的dtype时。
减法表是NumPy擅长的：
In [5]: x = np.arange(10)
In [6]: y = np.arange(5)
In [7]: x[:, np.newaxis] - y
Out[7]:
array([[ 0, -1, -2, -3, -4],
[ 1, 0, -1, -2, -3],
[ 2, 1, 0, -1, -2],
[ 3, 2, 1, 0, -1],
[ 4, 3, 2, 1, 0],
[ 5, 4, 3, 2, 1],
[ 6, 5, 4, 3, 2],
[ 7, 6, 5, 4, 3],
[ 8, 7, 6, 5, 4],
[ 9, 8, 7, 6, 5]])
您可以将x视为df1的一列，将y视为df2的一列。您将在下面看到，NumPy可以使用基本相同的语法以基本相同的方式处理df1的所有列和df2的所有列。
以下代码定义了orig和using_numpy。 orig是您发布的代码，using_numpy是使用NumPy数组执行减法的替代方法：
In [2]: %timeit orig(df1.copy(), df2.copy())
10 loops, best of 3: 96.1 ms per loop
In [3]: %timeit using_numpy(df1.copy(), df2.copy())
10 loops, best of 3: 19.9 ms per loop
import numpy as np
import pandas as pd
N = 100
df1 = pd.DataFrame({'a': np.random.randn(10*N),
'b': [1, 2] * 5*N,
'c': np.random.randn(10*N)},
index=pd.date_range('1/1/2000', periods=10*N))
df2 = pd.DataFrame({'a': np.random.randn(N),
'b': [2, 1] * (N//2),
'c': np.random.randn(N)},
index=pd.date_range('1/1/2000', periods=N))
def orig(df1, df2):
df1 = df1.reset_index() # 312 µs per loop
df1['embarrassingHackInd'] = 0 # 75.2 µs per loop
df1.set_index('embarrassingHackInd', inplace=True) # 526 µs per loop
df1.rename(columns={'index':'origIndex'}, inplace=True) # 209 µs per loop
df1['df1Date'] = df1.origIndex.astype(np.int64) // 10**9 # 23.1 µs per loop
df1['df2Date'] = 0
df2 = df2.reset_index()
df2['embarrassingHackInd'] = 0
df2.set_index('embarrassingHackInd', inplace=True)
df2.rename(columns={'index':'origIndex'}, inplace=True)
df2['df2Date'] = df2.origIndex.astype(np.int64) // 10**9
df2['df1Date'] = 0
df3 = abs(df1-df2) # 88.7 ms per loop <-- this is the bottleneck
return df3
def using_numpy(df1, df2):
df1.index.name = 'origIndex'
df2.index.name = 'origIndex'
df1.reset_index(inplace=True)
df2.reset_index(inplace=True)
df1_date = df1['origIndex']
df2_date = df2['origIndex']
df1['origIndex'] = df1_date.astype(np.int64)
df2['origIndex'] = df2_date.astype(np.int64)
arr1 = df1.values
arr2 = df2.values
arr3 = np.abs(arr1[:,np.newaxis,:]-arr2) # 3.32 ms per loop vs 88.7 ms
arr3 = arr3.reshape(-1, 4)
index = pd.MultiIndex.from_product(
[df1_date, df2_date], names=['df1Date', 'df2Date'])
result = pd.DataFrame(arr3, index=index, columns=df1.columns)
# You could stop here, but the rest makes the result more similar to orig
result.reset_index(inplace=True, drop=False)
result['df1Date'] = result['df1Date'].astype(np.int64) // 10**9
result['df2Date'] = result['df2Date'].astype(np.int64) // 10**9
return result
def is_equal(expected, result):
expected.reset_index(inplace=True, drop=True)
result.reset_index(inplace=True, drop=True)
# expected has dtypes 'O', while result has some float and int dtypes.
# Make all the dtypes float for a quick and dirty comparison check
expected = expected.astype('float')
result = result.astype('float')
columns = ['a','b','c','origIndex','df1Date','df2Date']
return expected[columns].equals(result[columns])
expected = orig(df1.copy(), df2.copy())
result = using_numpy(df1.copy(), df2.copy())
assert is_equal(expected, result)
x[:, np.newaxis] - y工作原理：
此表达式利用了NumPy广播。 要了解广播 - 通常是NumPy - 了解阵列的形状是值得的：
In [6]: x.shape
Out[6]: (10,)
In [7]: x[:, np.newaxis].shape
Out[7]: (10, 1)
In [8]: y.shape
Out[8]: (5,)
[:, np.newaxis]在右侧上向x添加新轴，因此形状为(10, 1)。因此，x[:, np.newaxis] - y是形状(10, 1)的数组的减法，其形状为(5,)。
从表面上看，这没有意义，但是NumPy数组广播它们的形状according to certain rules，试图使它们的形状兼容。
第一条规则是可以在左侧上添加新轴。因此，形状(5,)的数组可以广播自己以塑造(1, 5)。
下一条规则是长度为1的轴可以将自身广播为任意长度。数组中的值只需根据需要在额外维度上重复。
因此，当形状(10, 1)和(1, 5)的数组在NumPy算术运算中放在一起时，它们都被广播到形状为(10, 5)的数组：
In [14]: broadcasted_x, broadcasted_y = np.broadcast_arrays(x[:, np.newaxis], y)
In [15]: broadcasted_x
Out[15]:
array([[0, 0, 0, 0, 0],
[1, 1, 1, 1, 1],
[2, 2, 2, 2, 2],
[3, 3, 3, 3, 3],
[4, 4, 4, 4, 4],
[5, 5, 5, 5, 5],
[6, 6, 6, 6, 6],
[7, 7, 7, 7, 7],
[8, 8, 8, 8, 8],
[9, 9, 9, 9, 9]])
In [16]: broadcasted_y
Out[16]:
array([[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4]])
因此x[:, np.newaxis] - y相当于broadcasted_x - broadcasted_y。
现在，有了这个简单的例子，我们可以看看
arr1[:,np.newaxis,:]-arr2。
arr1的形状为(1000, 4)，arr2的形状为(100, 4)。我们想要减去长度为4的轴，沿着1000长度轴的每一行，以及沿着100长度轴的每一行。换句话说，我们希望减法形成一个形状(1000, 100, 4)的数组。
重要的是，我们不希望1000-axis与100-axis进行互动。 我们希望它们位于不同的轴。
因此，如果我们将arr1这样的轴添加到arr1[:,np.newaxis,:]，那么它的形状将变为
In [22]: arr1[:, np.newaxis, :].shape
Out[22]: (1000, 1, 4)
而现在，NumPy广播将两个阵列都推到了(1000, 100, 4)的常见形状。 Voila，一个减法表。
要将值按到形状(1000*100, 4)的2D数据框中，我们可以使用reshape：
arr3 = arr3.reshape(-1, 4)
-1告诉NumPy用重新整形所需的正整数替换-1。由于arr的值为1000 * 100 * 4，因此-1将替换为1000*100。使用-1比编写1000*100更好，因为即使我们更改了df1和df2中的行数，它也允许代码正常工作。