如何操作熊猫中的行块

时间:2018-11-11 10:55:08

标签: python pandas performance numpy

我有一个大数据库(2.4亿行),分为多个块,其中以块标记(sob)开头为列之一,即130万个块。

我创建了一个block_start系列:

block_start = pd.series(df[df.sob == True].index)

并计算块长度序列:

block_len = block_start.shift(-1) - block_start.

现在,我需要在布尔列中查找每个块是否包含至少一个信号(真):

signals = []

for i in range(len(block_start)):
 signals.append(df.signal[block_start[i]:block_start[i]+block_len[i]].any())

以上循环需要20分钟。 任何想法如何缩短呢?

2 个答案:

答案 0 :(得分:1)

要获得出色的 1 性能,您可能希望让NumPy接手。
(从@jpp的答案借来的数据)

v = np.cumsum(df['sob'])
df['any_flag'] = v.isin(v[df.signal].unique())

print(df)
   signal    sob  any_flag
0    True   True      True
1   False  False      True
2    True  False      True
3   False  False      True
4   False   True      True
5   False  False      True
6    True  False      True
7   False   True     False
8   False  False     False
9   False  False     False

1。您的里程可能会有所不同。


df = pd.concat([df] * 10000, ignore_index=True)

%timeit df['any_flag'] = (
    df.groupby(df['sob'].cumsum())['signal'].transform('any'))
%%timeit 
v = np.cumsum(df['sob'])
df['any_flag'] = v.isin(v[df.signal].unique())

10.9 ms ± 610 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
4.5 ms ± 19.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

答案 1 :(得分:0)

groupby + cumsum + any

您可以groupby系列sob的累计金额:

df = pd.DataFrame({'signal': [True, False, True, False, False,
                              False, True, False, False, False],
                   'sob': [True, False, False, False, True,
                           False, False, True, False, False]})

df['any_flag'] = df.groupby(df['sob'].cumsum())['signal'].transform('any')

print(df)

   signal    sob  any_flag
0    True   True      True
1   False  False      True
2    True  False      True
3   False  False      True
4   False   True      True
5   False  False      True
6    True  False      True
7   False   True     False
8   False  False     False
9   False  False     False