哪一个更好？ np.where或.loc？

Question

我发现了根据条件替换数据帧的某些值的两种形式：

1. .loc

mask = df['param'].isnull()
df.loc[mask, 'param'] = 'new_value'

1. np.where（）

mask = df['param'].isnull()
df['param'] = np.where(mask, 'new_value', df['param'])

两种形式都可以很好地工作，但是哪种形式更合适？关于这个问题，我什么时候应该使用 .loc ，什么时候 np.where ？

Answer 1

嗯，这不是一个全面的测试，但这是一个示例。在每次运行（loc，np.where）中，数据都被重置为带有种子的原始随机数。

玩具数据1

在这里，np.nan比有效值更多。而且，该列是浮点型的。

np.random.seed(1)
df = pd.DataFrame({'param': np.random.choice((1, np.nan), 1000000, p=(0.3,0.7))})

# loc
%%timeit
mask = df['param'].isnull()
df.loc[mask, 'param'] = 'new_value'
# 46.7 ms ± 177 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

# np.where
%%timeit
mask = df['param'].isnull()
df['param'] = np.where(mask, 'new_value', df['param'])
# 86.8 ms ± 2.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

玩具数据2：

此处np.nan少于有效值，并且该列属于对象类型：

np.random.seed(1)
df = pd.DataFrame({'param': np.random.choice(("1", np.nan), 1000000, p=(0.7,0.3))})

相同的故事：

df.loc[mask, 'param'] = 'new_value'
# 47.8 ms ± 350 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

df['param'] = np.where(mask, 'new_value', df['param'])
# 58.9 ms ± 1.72 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

因此与@ cs95的评论相反，loc的表现似乎胜过np.where。