假设我有一个数据框df:
Vx Vy
0 1.00 1.00
1 2.00 3.00
2 1.50 1.75
目标是创建一个新列df['Vmagnitude']
,该列定义为Vx和Vy之间的矢量和的大小,例如in this picture:
Vx Vy Vmagnitude
0 1.00 1.00 1.41421
1 2.00 3.00 3.60555
2 1.50 1.75 2.30489
使用numpy / pandas实现此目的的最快和/或最Python方式是什么?
答案 0 :(得分:1)
您可以使用np.linalg.norm:
df["Vmagnitude"] = np.linalg.norm(df[["Vx", "Vy"]], axis=1)
答案 1 :(得分:1)
一种快速的方法(例如,在3D游戏中的性能)将是不使用sqrt,而仅将x²+y² = x*x + y*y
存储在VMagnitudeSquare列中,或者您愿意。
在大多数情况下,您可以使用它来进行进一步的计算。
这一切都归结为sqrt功能“缓慢”。 但这取决于您的用法。
答案 2 :(得分:1)
当问题变大时,您可以尝试使用pandas eval。确保为获得收益(pip install numexpr
安装numexpr,请参阅the numexpr readme here来了解其工作原理。如果已安装,Pandas只会将此功能包装到.eval
方法中。
import pandas
df = pandas.DataFrame( random.random((5000000,2)), columns=('vx', 'vy'))
df.eval("vmag = sqrt(vx**2 + vy**2)", engine='numexpr', inplace=True)
我认为这是您最好的选择,numexpr利用了多线程
In [24]: %timeit np.linalg.norm( df[["vx", "vy"]], axis=1)
1 loop, best of 3: 266 ms per loop
In [25]: %timeit df.eval("sqrt(vx**2 + vy**2)", engine='python')
10 loops, best of 3: 144 ms per loop
In [26]: %timeit df.eval("sqrt(vx**2 + vy**2)", engine='numexpr')
10 loops, best of 3: 42 ms per loop
另请参阅this doc以提高性能。
答案 3 :(得分:0)
您可以将新的列幅度定义为矢量的平方根之和,如下所示
import pandas as pd
import numpy as np
d = {'Vx':[1,2,1.5], 'Vy':[1,3,1.75]}
df = pd.DataFrame(data=d)
df['Magnitude'] = np.sqrt(df['Vx'].pow(2) + df['Vy'].pow(2))
print(df)
输出:
Vx Vy Magnitude
0 1.0 1.00 1.414214
1 2.0 3.00 3.605551
2 1.5 1.75 2.304886