比较两个pandas数据帧行的最快方法是什么?

时间:2016-07-08 13:20:06

标签: python pandas

所以我有两个pandas数据帧,A和B.

A是1000行×500列,填充二进制值,表示是否存在。

B是1024行×10列,并且是0和1的完整迭代,因此具有1024行。

我试图找到A中特定10列的A中的哪些行与B中的给定行相对应。我需要整行匹配,而不是逐个元素。

例如,我想要

A[(A.ix[:,(1,2,3,4,5,6,7,8,9,10)==(1,0,1,0,1,0,0,1,0,0)).all(axis=1)]

要返回A中的行(3,5,8,11,15)与某些列(1,0,1,0,1,0,0,1,0,0)上的(1,2,3,4,5,6,7,8,9,10)行的import numpy as np for i in B: B_array = np.array(i) Matching_Rows = A[(A.ix[:,(1,2,3,4,5,6,7,8,9,10)] == B_array).all(axis=1)] Matching_Rows_Index = Matching_Rows.index 匹配的内容{/ 1}}

我想在B的每一行都这样做。 我能想到的最好方法是:

// Array initialization
    var Person = [String:String]()

    var data : [String:String] = [
        "name" : "John",
        "age"   : "22"
    ]

    for (index, value) in data {
        Person[index] = value
    }

对于一个实例来说这并不可怕,但我在一个运行大约20,000次的while循环中使用它;因此,它会减慢它的速度。

我一直在乱用DataFrame.apply无济于事。地图可以更好地工作吗?

我只是希望有人看到一些明显更高效的东西,因为我对python还不熟悉。

谢谢和最诚挚的问候!

4 个答案:

答案 0 :(得分:4)

我们可以通过将0中的相关列和1中的所有列折叠为{{1}来滥用这两个数据框都具有二进制值AB这一事实当将每一行视为可以转换为十进制数等价的二进制数序列时,每个数组都有一个数组。这应该可以大大减少问题集,这有助于提高性能。现在,在获取这些1D数组后,我们可以使用np.in1d查找1D中的B和最后np.where上的匹配项,以获取匹配的索引。

因此,我们会有这样的实现 -

A

示例运行 -

# Setup 1D arrays corresponding to selected cols from A and entire B
S = 2**np.arange(10)
A_ID = np.dot(A[range(1,11)],S)
B_ID = np.dot(B,S)

# Look for matches that exist from B_ID in A_ID, whose indices 
# would be desired row indices that have matched from B
out_row_idx = np.where(np.in1d(A_ID,B_ID))[0]

答案 1 :(得分:3)

您可以将mergereset_index一起使用 - 输出B的索引在自定义列中的A中相等:

A = pd.DataFrame({'A':[1,0,1,1],
                  'B':[0,0,1,1],
                  'C':[1,0,1,1],
                  'D':[1,1,1,0],
                  'E':[1,1,0,1]})

print (A)
   A  B  C  D  E
0  1  0  1  1  1
1  0  0  0  1  1
2  1  1  1  1  0
3  1  1  1  0  1

B = pd.DataFrame({'0':[1,0,1],
                  '1':[1,0,1],
                  '2':[1,0,0]})

print (B)
   0  1  2
0  1  1  1
1  0  0  0
2  1  1  0
print (pd.merge(B.reset_index(), 
                A.reset_index(), 
                left_on=B.columns.tolist(), 
                right_on=A.columns[[0,1,2]].tolist(),
                suffixes=('_B','_A')))

   index_B  0  1  2  index_A  A  B  C  D  E
0        0  1  1  1        2  1  1  1  1  0
1        0  1  1  1        3  1  1  1  0  1
2        1  0  0  0        1  0  0  0  1  1    

print (pd.merge(B.reset_index(), 
                A.reset_index(), 
                left_on=B.columns.tolist(), 
                right_on=A.columns[[0,1,2]].tolist(),
                suffixes=('_B','_A'))[['index_B','index_A']])    

   index_B  index_A
0        0        2
1        0        3
2        1        1   

答案 2 :(得分:1)

您可以使用loc或ix在pandas中执行此操作,并告诉它查找十列完全相同的行。像这样:

A.loc[(A[1]==B[1]) & (A[2]==B[2]) & (A[3]==B[3]) & A[4]==B[4]) & (A[5]==B[5]) & (A[6]==B[6]) & (A[7]==B[7]) & (A[8]==B[8]) & (A[9]==B[9]) & (A[10]==B[10])]

在我看来这很难看,但是它会起作用并且摆脱循环所以它应该明显更快。如果有人能够以更优雅的方式编写相同的操作,我不会感到惊讶。

答案 3 :(得分:1)

在这种特殊情况下,您的10个零和1行可以解释为10位二进制数。如果B是有序的,那么它可以被解释为0到1023的范围。在这种情况下,我们需要做的就是在10列的块中取A行,并计算它的二进制等价物。

我首先要定义两个幂的范围,这样我就可以用它进行矩阵乘法。

twos = pd.Series(np.power(2, np.arange(10)))

接下来,我会将A列重新标记为MultiIndex和stack,以获得10块。

A = pd.DataFrame(np.random.binomial(1, .5, (1000, 500)))
A.columns = pd.MultiIndex.from_tuples(zip((A.columns / 10).tolist(), (A.columns % 10).tolist()))
A_ = A.stack(0)

A_.head()

enter image description here

最后,我将A_twos相乘,得到每行的整数表示形式unstack

A_.dot(twos).unstack()

enter image description here

现在这是一个1000 x 50的DataFrame,其中每个单元格代表我们为该特定A行的特定10列块匹配的B行中的哪一行。甚至不需要B.