一种快速方法，可从一个数据框的另一个数据框中查找元素并返回其索引

Question

简而言之，我正在尝试比较第一个DataFrame的2列与另一个DataFrame的相同列的值。匹配的行的索引在第一个DataFrame中存储为新列。

让我解释一下：我正在使用地理特征（纬度/经度），主要的DataFrame（称为df）具有大约5500万个观测值，看起来有点像这样：

如您所见，只有两行数据看起来合法（索引2和4）。

第二个DataFrame（称为legit_df）要小得多，并且拥有我认为合法的所有地理数据：

无需深入研究，主要任务涉及将df的每个纬度/经度观测值与legit_df的数据进行比较。匹配成功后，将legit_df的索引复制到df的新列中，从而使df看起来像这样：

值-1用于显示未成功匹配的时间。在上面的示例中，唯一有效的观察结果是索引2和4的观察，它们在legit_df的索引1和2处找到了匹配项。

我当前解决此问题的方法使用.apply()。是的，它很慢，但是我找不到一种方法来对下面的函数进行矢量化或使用Cython对其进行加速：

def getLegitLocationIndex(lat, long):
    idx = legit_df.index[(legit_df['pickup_latitude'] == lat) & (legit_df['pickup_longitude'] == long)].tolist()
    if (not idx):
        return -1
    return idx[0]

df['legit']  = df.apply(lambda row: getLegitLocationIndex(row['pickup_latitude'], row['pickup_longitude']), axis=1)

由于此代码在DataFrame上有5500万观察结果，速度非常慢，因此我的问题是：有没有更快的方法来解决此问题？

我正在与{em> help-you-help-me 共享一个Short, Self Contained, Correct (Compilable), Example，提出了一个更快的选择：

import pandas as pd
import numpy as np

data1 = { 'pickup_latitude'  : [41.366138,   40.190564,  40.769413],
          'pickup_longitude' : [-73.137393, -74.689831, -73.863300]
        }

legit_df = pd.DataFrame(data1)
display(legit_df)

####################################################################################

observations = 10000
lat_numbers = [41.366138,   40.190564,  40.769413, 10, 20, 30, 50, 60, 80, 90, 100]
lon_numbers = [-73.137393, -74.689831, -73.863300, 11, 21, 31, 51, 61, 81, 91, 101]

# Generate 10000 random integers between 0 and 10
random_idx = np.random.randint(low=0, high=len(lat_numbers)-1, size=observations)
lat_data = []
lon_data = []

# Create a Dataframe to store 10000 pairs of geographical coordinates
for i in range(observations):
    lat_data.append(lat_numbers[random_idx[i]])
    lon_data.append(lon_numbers[random_idx[i]])

df = pd.DataFrame({ 'pickup_latitude' : lat_data, 'pickup_longitude': lon_data })
display(df.head())

####################################################################################

def getLegitLocationIndex(lat, long):
    idx = legit_df.index[(legit_df['pickup_latitude'] == lat) & (legit_df['pickup_longitude'] == long)].tolist()
    if (not idx):
        return -1
    return idx[0]


df['legit']  = df.apply(lambda row: getLegitLocationIndex(row['pickup_latitude'], row['pickup_longitude']), axis=1)
display(df.head())

上面的示例仅用1万df创建了observations，在我的机器上运行大约需要7秒钟。使用100k observations，大约需要67秒才能运行。现在想象一下当我必须处理5500万行时我遭受的痛苦...

Answer 1

我认为您可以使用合并而不是当前逻辑来显着加快此速度：

full_df = df.merge(legit_df.reset_index(), how="left", on=["pickup_longitude", "pickup_latitude"])

这将重置参考表的索引以使其成为列并在经度上连接

full_df = full_df.rename(index = str, columns={"index":"legit"})
full_df["legit"] = full_df["legit"].fillna(-1).astype(int)

这将重命名为您想要的列名称，并使用-1填充连接列中的所有缺失

基准：

旧方法： 5.18 s ± 171 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

新方法： 23.2 ms ± 1.3 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

Answer 2

您可以DataFrame.merge和公用how='left'一起使用。首先重置legit_df的索引。

然后将fillna与-1：

df.merge(legit_df.reset_index(), on=['pickup_latitude', 'pickup_longitude'], how='left').fillna(-1)

测试性能：

%%timeit
df['legit']  = df.apply(lambda row: getLegitLocationIndex(row['pickup_latitude'], row['pickup_longitude']), axis=1)

每个循环5.81 s±179 ms（平均±标准偏差，共运行7次，每个循环1次）

%%timeit
(df.merge(legit_df.reset_index(),on=['pickup_latitude', 'pickup_longitude'], how='left').fillna(-1))

每个循环6.27 ms±254 µs（平均±标准偏差，共运行7次，每个循环100个循环）