Question

我正在将数据帧转换为方阵。数据框有一个索引，只有一列有浮点数。我需要做的是计算所有索引对，并为每对索取两个相关列值的平均值。因此，通常的枢轴功能只是解决方案的一部分。

目前，该函数具有估计的复杂度O（n ^ 2），这是不好的，因为我必须使用具有一次数百行的数据帧的较大输入。我可以采取另一种更快的方法吗？

示例输入（为简单起见，这里使用整数）：

df = pd.DataFrame([3, 4, 5])

更新：转换逻辑

对于示例中的输入数据框：

我做了以下事情（并没有声称这是最好的方式）：

得到所有索引对：（0,1），（1,2），（0,2）
对于每一对，计算其值的平均值：（0,1）：3.5，（1,2）：4.5，（0,2）：4.0
使用每对中的索引作为列和行标识符构建方形对称矩阵，并在对角线上为零（如所需输出中所示）。

代码位于turn_table_into_square_matrix（）。

期望的输出：

    0   1   2

0   0.0 3.5 4.0
1   3.5 0.0 4.5
2   4.0 4.5 0.0

目前的实施：

import pandas as pd
from itertools import combinations 
import time
import string
import random


def turn_table_into_square_matrix(original_dataframe):

    # get all pairs of indices 
    index_pairs = list(combinations(list(original_dataframe.index),2))

    rows_for_final_dataframe = []

    # collect new data frame row by row - the time consuming part
    for pair in index_pairs:
        subset_original_dataframe = original_dataframe[original_dataframe.index.isin(list(pair))]
        rows_for_final_dataframe.append([pair[0], pair[1], subset_original_dataframe[0].mean()])
        rows_for_final_dataframe.append([pair[1], pair[0], subset_original_dataframe[0].mean()])

    final_dataframe = pd.DataFrame(rows_for_final_dataframe)

    final_dataframe.columns = ["from", "to", "weight"]
    final_dataframe_pivot = final_dataframe.pivot(index="from", columns="to", values="weight")
    final_dataframe_pivot = final_dataframe_pivot.fillna(0)

    return final_dataframe_pivot

计算时间的代码：

for size in range(50, 600, 100):

    index = range(size)
    values = random.sample(range(0, 1000), size)
    example = pd.DataFrame(values, index)

    print ("dataframe size", example.shape)

    start_time = time.time()
    turn_table_into_square_matrix(example)
    print ("conversion time:", time.time()-start_time)

计时结果：

dataframe size (50, 1)
conversion time: 0.5455281734466553

dataframe size (150, 1)
conversion time: 5.001590013504028

dataframe size (250, 1)
conversion time: 14.562285900115967

dataframe size (350, 1)
conversion time: 31.168692111968994

dataframe size (450, 1)
conversion time: 49.07127499580383

dataframe size (550, 1)
conversion time: 78.73740792274475

因此，具有50行的数据帧仅需要半秒转换，而具有550行（11倍长）的数据帧需要79秒（超过11 ^ 2倍）。有没有更快的解决方案来解决这个问题？

Answer 1

我不认为有可能比O(n^2)做更好的计算。正如@piiipmatz建议的那样，你应该尝试用numpy做一切，然后把结果放在pd.DataFrame中。您的问题听起来像是numpy.add.at的一个很好的用例。

这是一个简单的例子

import numpy as np
import itertools

# your original array
x = np.array([1, 4, 8, 99, 77, 23, 4, 45])
n = len(x)
# all pairs of indices in x
a, b = zip(*list(itertools.product(range(n), range(n))))
a, b = np.array(a), np.array(b)
# resulting matrix
result = np.zeros(shape=(n, n))

np.add.at(result, [a, b], (x[a] + x[b]) / 2.0)

print(result)
# [[  1.    2.5   4.5  50.   39.   12.    2.5  23. ]
# [  2.5   4.    6.   51.5  40.5  13.5   4.   24.5]
# [  4.5   6.    8.   53.5  42.5  15.5   6.   26.5]
# [ 50.   51.5  53.5  99.   88.   61.   51.5  72. ]
# [ 39.   40.5  42.5  88.   77.   50.   40.5  61. ]
# [ 12.   13.5  15.5  61.   50.   23.   13.5  34. ]
# [  2.5   4.    6.   51.5  40.5  13.5   4.   24.5]
# [ 23.   24.5  26.5  72.   61.   34.   24.5  45. ]]

Answer 2

我认为你有很多来自熊猫的开销（即original_dataframe[original_dataframe.index.isin(list(pair))]看起来实在太贵了）。我还没有对它进行过测试，但我认为当你使用numpy数组时可以节省大量的执行时间。如果需要，您仍然可以在最后将它提供给pandas.DataFrame。

像（仅仅是为了描绘我的意思）：

original_array = original_dataframe.as_matrix().ravel()
n = len(original_array)
final_matrix = np.zeros((n,n))

for pair in pairs:
    final_matrix[pair[0], pair[1]] = 0.5*(original_array[pair[0]]+original_array[pair[1]])

Answer 3

如何？

df.pivot(index='i', columns = 'j', values = 'empty')

为此，您需要通过添加新的索引列（两次）来欺骗标准pivot，因为它不允许在数据透视表中重复两次相同的参数并为值添加空列：

df['i']=df.index
df['j']=df.index
df['empty']=None

就是这样。

Pandas - 使用索引

3 个答案: