在非常大的数据帧上提高迭代性能

Question

我有一个熊猫数据框，其中包含300万行和50列，均包含整数（正数或负数）。我想创建一个名为“功能”的新列，该列从50个现有列中获取最大的负数。

例如，如果对于给定的行，50列包含值

-25,-24,-23,...,-1,1,...,23,24,25

“功能”列应返回-1。

因为我的数据帧太大，所以我尝试的解决方案花费的时间太长。例如，我尝试使用列表推导，但由于使用了iterrows（），它太慢了（itertuples（）的执行效果不佳）：

import numpy as np
import pandas as pd
from tqdm import tqdm

df = pd.read_csv('name_of_file.csv')

for idx, row in tqdm(df[list(np.arange(0,50,1))].iterrows()):
    df.loc[idx, 'feature'] = max([n for n in row if n < 0])

在这么大的数据帧中无需诉诸线程处理的最快方法是什么？

Answer 1

您可以改用DataFrame.where将0以上的所有值设置为NaN并按行返回max：

df['feature'] = df.iloc[:,:50].where(df.iloc[:,:50].lt(0)).max(1)