Question

假设我遇到以下问题：

where (origin.location = @location or @location is null)

我想插入一个名为import pandas as pd import numpy as np xp = [0.0, 0.5, 1.0] np.random.seed(100) df = pd.DataFrame(np.random.rand(10, 4), columns=['x0', 'y1', 'y2', 'y3']) df x0 y1 y2 y3 0 0.5434 0.2784 0.4245 0.8448 1 0.0047 0.1216 0.6707 0.8259 2 0.1367 0.5751 0.8913 0.2092 3 0.1853 0.1084 0.2197 0.9786 4 0.8117 0.1719 0.8162 0.2741 5 0.4317 0.9400 0.8176 0.3361 6 0.1754 0.3728 0.0057 0.2524 7 0.7957 0.0153 0.5988 0.6038 8 0.1051 0.3819 0.0365 0.8904 9 0.9809 0.0599 0.8905 0.5769的列。要插值的x坐标值包含在列interp中，数据点的x坐标为x0，数据点的y坐标将包含在{{1}中}，xp和y1。

到目前为止，我想出了以下内容：

y2

但是，执行此计算的数据框包含超过一百万行，因此我希望使用比y3更快的方法。有什么想法吗？

df['interp'] = df.apply(lambda x: np.interp(x.x0, xp, [x.y1, x.y2, x.y3]), axis=1) df x0 y1 y2 y3 interp 0 0.5434 0.2784 0.4245 0.8448 0.4610 1 0.0047 0.1216 0.6707 0.8259 0.1268 2 0.1367 0.5751 0.8913 0.2092 0.6616 3 0.1853 0.1084 0.2197 0.9786 0.1496 4 0.8117 0.1719 0.8162 0.2741 0.4783 5 0.4317 0.9400 0.8176 0.3361 0.8344 6 0.1754 0.3728 0.0057 0.2524 0.2440 7 0.7957 0.0153 0.5988 0.6038 0.6018 8 0.1051 0.3819 0.0365 0.8904 0.3093 9 0.9809 0.0599 0.8905 0.5769 0.5889似乎只采用了一维数组，这就是我选择apply的原因。

Answer 1

提高速度的一个好方法是pandas.DataFrame.eval()：

<强> TL; DR

Seconds per number of rows
Rows:     100   1000  10000    1E5    1E6    1E7
apply:  0.076  0.734  7.812
eval:   0.056  0.053  0.058  0.087  0.338  2.887

从这些时间可以看出，eval()有很多设置开销，最多10,000行基本上需要相同的时间。但它比apply更快两个数量级，因此它确实值得大数据集的开销。

这是什么？

来自（DOCS）

pandas.eval(expr, parser='pandas', engine=None, truediv=True, 
            local_dict=None, global_dict=None, resolvers=(),
            level=0, target=None, inplace=None)

使用各种后端将Python表达式评估为字符串。

支持以下算术运算：+， - ，*，/，**，％，//（仅限python引擎）以及以下布尔运算：（或），＆amp; （和），和〜（不）。此外，'pandas'解析器允许使用和，或不使用与相应的按位运算符相同的语义。系列和DataFrame对象受支持，其行为与普通的“Python评估”一样。

为此问题执行的诀窍：

下面的代码利用了插值总是只有两个段的事实。它实际上计算了两个段的插值，然后通过bool测试（即0,1）乘以丢弃未使用的段

传递给eval的实际表达式是：

((y2-y1) / 0.5 * (x0-0.0) + y1) * (x0 < 0.5)+((y3-y2) / 0.5 * (x0-0.5) + y2) * (x0 >= 0.5)

<强>代码：

import pandas as pd
import numpy as np

xp = [0.0, 0.5, 1.0]

np.random.seed(100)

def method1():
    df['interp'] = df.apply(
        lambda x: np.interp(x.x0, xp, [x.y1, x.y2, x.y3]), axis=1)

def method2():
    exp = '((y%d-y%d) / %s * (x0-%s) + y%d) * (x0 %s 0.5)'
    exp_1 = exp % (2, 1, xp[1] - xp[0], xp[0], 1, '<')
    exp_2 = exp % (3, 2, xp[2] - xp[1], xp[1], 2, '>=')

    df['interp2'] = df.eval(exp_1 + '+' + exp_2)

from timeit import timeit

def runit(stmt):
    print("%s: %.3f" % (
        stmt, timeit(stmt + '()', number=10,
                     setup='from __main__ import ' + stmt)))

def runit_size(size):
    global df
    df = pd.DataFrame(
        np.random.rand(size, 4), columns=['x0', 'y1', 'y2', 'y3'])

    print('Rows: %d' % size)
    if size <= 10000:
        runit('method1')
    runit('method2')

for i in (100, 1000, 10000, 100000, 1000000, 10000000):
    runit_size(i)

print(df.head())

<强>结果：

         x0        y1        y2        y3    interp   interp2
0  0.060670  0.949837  0.608659  0.672003  0.908439  0.908439
1  0.462774  0.704273  0.181067  0.647582  0.220021  0.220021
2  0.568109  0.954138  0.796690  0.585310  0.767897  0.767897
3  0.455355  0.738452  0.812236  0.927291  0.805648  0.805648
4  0.826376  0.029957  0.772803  0.521777  0.608946  0.608946

基于列值从数据帧中插值

1 个答案: