如何通过字符串匹配加速熊猫行过滤？

我经常需要过滤熊猫数据帧dfdf[df['col_name']=='string_value']，我想加快行选择操作，有没有快速的方法来做到这一点？如何通过字符串匹配加速熊猫行过滤？

例如，

In [1]: df = mul_df(3000,2000,3).reset_index() 

In [2]: timeit df[df['STK_ID']=='A0003'] 
1 loops, best of 3: 1.52 s per loop

能1.52s可以缩短？

注：

mul_df()是函数来创建多级数据帧：

>>> mul_df(4,2,3) 
       COL000 COL001 COL002 
STK_ID RPT_Date       
A0000 B000  0.6399 0.0062 1.0022 
     B001  -0.2881 -2.0604 1.2481 
A0001 B000  0.7070 -0.9539 -0.5268 
     B001  0.8860 -0.5367 -2.4492 
A0002 B000  -2.4738 0.9529 -0.9789 
     B001  0.1392 -1.0931 -0.2077 
A0003 B000  -1.1377 0.5455 -0.2290 
     B001  1.0083 0.2746 -0.3934

下面是（）mul_df的代码：

import itertools 
import numpy as np 
import pandas as pd 

def mul_df(level1_rownum, level2_rownum, col_num, data_ty='float32'): 
    ''' create multilevel dataframe, for example: mul_df(4,2,6)''' 

    index_name = ['STK_ID','RPT_Date'] 
    col_name = ['COL'+str(x).zfill(3) for x in range(col_num)] 

    first_level_dt = [['A'+str(x).zfill(4)]*level2_rownum for x in range(level1_rownum)] 
    first_level_dt = list(itertools.chain(*first_level_dt)) #flatten the list 
    second_level_dt = ['B'+str(x).zfill(3) for x in range(level2_rownum)]*level1_rownum 

    dt = pd.DataFrame(np.random.randn(level1_rownum*level2_rownum, col_num), columns=col_name, dtype = data_ty) 
    dt[index_name[0]] = first_level_dt 
    dt[index_name[1]] = second_level_dt 

    rst = dt.set_index(index_name, drop=True, inplace=False) 
    return rst

来源

2013-05-05 bigbug

为什么不把它作为一个索引（或者如果它不是一个索引，将其设置为索引）？在索引上选择要快得多（'df.ix ['A0003']'）：对我而言，194 us vs 646 ms。 – joris 2013-05-05 12:53:06

这只是一个示例。很多时候，我们需要按列而不是索引来选择;将其设置为索引是一种选择，但它引入了其他问题（已存在索引，更改数据结构等）（如果我们将数据库视为数据库表，则非常常见：SELECT * FROM table_name WHERE col_name ='string_value '，不是吗？） – bigbug 2013-05-05 13:05:56

我一直希望将二叉搜索索引添加到DataFrame对象。您可以通过列排序，做这个自己的DIY方法：

In [11]: df = df.sort('STK_ID') # skip this if you're sure it's sorted 

In [12]: df['STK_ID'].searchsorted('A0003', 'left') 
Out[12]: 6000 

In [13]: df['STK_ID'].searchsorted('A0003', 'right') 
Out[13]: 8000 

In [14]: timeit df[6000:8000] 
10000 loops, best of 3: 134 µs per loop

这是快，因为它总是检索看法，并不复制任何数据。

来源

2013-05-06 17:05:07

直观的解决方案，谢谢。希望它可以嵌入熊猫行选择sytax中，例如“df [df ['col_name'] =='string_value']” – bigbug 2013-05-07 01:56:16

我希望在文档的某处提到这一点，会节省很多时间... – user2808117 2014-01-23 15:38:46

“排序”方法在Pandas 19.2及更高版本中已弃用。改为使用'sort_values'方法。 – Jeff 2017-11-13 19:40:57

出人意料的是，与.values工作数组而不是Series对我来说要快得多：

>>> time df = mul_df(3000, 2000, 3).reset_index() 
CPU times: user 5.96 s, sys: 0.81 s, total: 6.78 s 
Wall time: 6.78 s 
>>> timeit df[df["STK_ID"] == "A0003"] 
1 loops, best of 3: 841 ms per loop 
>>> timeit df[df["STK_ID"].values == "A0003"] 
1 loops, best of 3: 210 ms per loop

来源

2013-05-05 14:49:44 DSM

取决于你想要什么以后与选择做，如果你不得不做出这种多项选择中，groupby功能还可以使事情更快（至少例子）。

即使你只需要选择一个STRING_VALUE行，这是一个有点快（但是不要太多）：

In [11]: %timeit df[df['STK_ID']=='A0003'] 
1 loops, best of 3: 626 ms per loop 

In [12]: %timeit df.groupby("STK_ID").get_group("A0003") 
1 loops, best of 3: 459 ms per loop

但后续调用的GroupBy对象将是非常快的（例如，为了选择其他sting_values的行）：

In [25]: grouped = df.groupby("STK_ID") 

In [26]: %timeit grouped.get_group("A0003") 
1 loops, best of 3: 333 us per loop

来源

2013-05-05 17:04:09 joris

如何通过字符串匹配加速熊猫行过滤？

回答

相关问题