我有一个场景,其中有新的主题正在测试一系列结果都是字符串分类值的特征。一旦测试完成,我需要将新数据集与所有主题的主数据集进行比较,并查找给定阈值保持(例如90%)的相似性(匹配)。熊猫:将列与数据框的所有其他列进行比较
因此,我需要能够做的柱状(主题明智)在新的数据在主数据集设置为每列的新课题,加上其他的新数据集的每一个的比较因为生产数据集有大约50万列(和增长)和10,000行,所以可能获得最佳性能。
下面是一些示例代码:
master = pd.DataFrame({'Characteristic':['C1', 'C2', 'C3'],
'S1':['AA','BB','AB'],
'S2':['AB','-','BB'],
'S3':['AA','AB','--']})
new = pd.DataFrame({'Characteristic':['C1', 'C2', 'C3'],
'S4':['AA','BB','AA'],
'S5':['AB','-','BB']})
new_master = pd.merge(master, new, on='Characteristic', how='inner')
def doComparison(comparison_df, new_columns, master_columns):
summary_dict = {}
row_cnt = comparison_df.shape[0]
for new_col_idx, new_col in enumerate(new_columns):
# don't compare the Characteristic column
if new_col != 'Characteristic':
print 'Evalating subject ' + new_col + ' for matches'
summary_dict[new_col] = []
new_data = comparison_df.ix[:, new_col]
for master_col_idx, master_col in enumerate(master_columns):
# don't compare same subject or Characteristic column
if new_col != master_col and master_col != 'Characteristic':
master_data = comparison_df.ix[:, master_col]
is_same = (new_data == master_data) & (new_data != '--') & (master_data != '--')
pct_same = sum(is_same) * 100/row_cnt
if pct_same > 90:
print ' Found potential match ' + master_col + ' ' + str(pct_same) + ' pct'
summary_dict[new_col].append({'match' : master_col, 'pct' : pct_same})
return summary_dict
result = doComparison(new_master, new.columns, master.columns)
这样的作品,但我想提高效率和性能,不知道到底怎么样。