Question

假设我有一个熊猫系列，希望用作多图（每个索引键有多个值）：

# intval -> data1
a = pd.Series(data=-np.arange(100000),
              index=np.random.randint(0, 50000, 100000))

我想（尽快）选择a中的所有值其中a的索引与另一个索引b匹配。（例如内部联接。或者是合并，但是对于系列）。

a的索引中可能有重复项。
b可能没有重复，也不一定是a索引的子集。为了给熊猫最大的机会，我们假设b也可以作为已排序的索引对象提供：

     b = pd.Index(np.unique(np.random.randint(30000, 100000, 100000))).sortvalues()

所以，我们会有类似的东西：

                      target  
   a        b         result
3  0        3      3  0
3  1        7      8  3 
4  2        8      ...     
8  3      ...
9  4
...

我也只想获取结果的值（不需要索引[3,8,...]）。

如果a没有重复，我们将简单地做：

a.reindex(b)  # Cannot reindex a duplicate axis

因为&维护着a的重复项，所以我们不能这样做：

d = a[a.index & b.index]
d = a.loc[a.index & b.index]  # same
d = a.get(a.index & b.index)  # same
print d.shape

所以我认为我们需要做类似的事情：

common = (a.index & b.index).unique()
a.loc[common]

...这很麻烦，但速度却令人惊讶。它不是建立缓慢的选择项列表：

%timeit (a.index & b).unique()
# 100 loops, best of 3: 3.39 ms per loop
%timeit (a.index & b).unique().sort_values()
# 100 loops, best of 3: 4.19 ms per loop

...所以看起来它确实在检索缓慢的值：

common = ((a.index & b).unique()).sort_values()

%timeit a.loc[common]
#10 loops, best of 3: 43.3 ms per loop

%timeit a.get(common)
#10 loops, best of 3: 42.1 ms per loop

...大约每秒20次操作。不完全是zippy！为什么这么慢？

肯定有一种快速的方法可以从pandas数据框中查找值集吗？我不想获取索引对象-实际上，我要提供的只是对已排序索引的合并，或者是（较慢的）哈希int查找。无论哪种方式，这都应该是极其的快速操作-而不是我的3Ghz机器上每秒20的操作。

也：

分析a.loc[common]给出：

ncalls  tottime  percall  cumtime   percall filename:lineno(function)
# All the time spent here.
40      1.01     0.02525  1.018     0.02546 ~:0(<method 'get_indexer_non_unique' indexing.py:1443(_has_valid_type)
...
# seems to be called a lot.
1500    0.000582 3.88e-07 0.000832  5.547e-07 ~:0(<isinstance>)

PS。我之前发布了一个类似的问题，关于为什么Series.map这么慢 Why is pandas.series.map so shockingly slow?。原因是在引擎盖下偷懒。这似乎没有发生。

更新：

对于大小类似的a和常见的a是唯一的：

% timeit a.loc[common]
1000 loops, best of 3: 760 µs per loop

... @jpp指出。多索引很可能会造成责任。

Answer 1

保证重复索引会减慢您的数据框索引操作。您可以修改输入内容以向自己证明这一点：

a = pd.Series(data=-np.arange(100000), index=np.random.randint(0, 50000, 100000))
%timeit a.loc[common]  # 34.1 ms

a = pd.Series(data=-np.arange(100000), index=np.arange(100000))
%timeit a.loc[common]  # 6.86 ms

如this related question中所述：

当索引唯一时，熊猫使用哈希表将键映射到值O（1）。当索引不唯一且已排序时，熊猫使用二进制搜索O（logN），当指数是随机的有序的大熊猫需要检查的所有键索引O（N）。

在熊猫数据框上建立索引查找。为何这么慢？如何加快速度？

1 个答案: