Prakash Pazhanisamy user301638

从熊猫数据帧中选择行有几种基本方法。

1. 布尔索引
2. 位置索引
3. 标签索引
4. 美国石油学会

对于每种基本类型,我们可以通过限制自己使用pandas API来保持简单,或者我们可以在API之外冒险,通常是 numpy 加快速度。

我将向您展示每种方法的示例,并指导您何时使用某些技术。

---

安装程序
首先,我们需要确定一个条件,作为选择行的标准。手术室提供了 column_name == some_value . 我们将从那里开始,并包括一些其他常见的用例。

向@unutbu借款:

import pandas as pd, numpy as np

df = pd.DataFrame({'A': 'foo bar foo bar foo bar foo foo'.split(),
                   'B': 'one one two three two two one three'.split(),
                   'C': np.arange(8), 'D': np.arange(8) * 2})

---

假设我们的标准是列 'A' = 'foo'

1。
布尔值 索引要求找到每行的真值 “A” 列等于 “福” ,然后使用这些真值来标识要保留哪些行。通常,我们将这个系列命名为真值数组, mask . 我们在这里也会这样做。

mask = df['A'] == 'foo'

然后我们可以使用这个掩码对数据帧进行切片或索引。

df[mask]

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

这是完成这项任务最简单的方法之一,如果性能或直觉不是问题,这应该是您选择的方法。但是,如果性能是一个问题,那么您可能需要考虑创建 面具 .

---

2。
位置 索引有其用例,但这不是其中之一。为了确定切片的位置,我们首先需要执行与上面所做的相同的布尔分析。这使得我们需要执行一个额外的步骤来完成相同的任务。

mask = df['A'] == 'foo'
pos = np.flatnonzero(mask)
df.iloc[pos]

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

三。
标签 索引可以非常方便,但在这种情况下,我们再次做了更多的工作,没有任何好处。

df.set_index('A', append=True, drop=False).xs('foo', level=1)

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

4。
pd.DataFrame.query 是执行此任务的一种非常优雅/直观的方式。但速度通常较慢。 然而 如果您注意下面的时间安排,对于大数据,查询是非常有效的。比标准方法更重要,和我的最佳建议具有相似的重要性。

df.query('A == "foo"')

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

---

我的首选是使用 Boolean 面具

通过修改我们创建 布尔值 面具 .

面具 备选方案1
使用基础 麻木的 数组并放弃创建另一个数组的开销 pd.Series

mask = df['A'].values == 'foo'

我将在最后展示更多完整的时间测试,但只需看看我们使用示例数据框架获得的性能提升。首先,我们看看在创建 面具

%timeit mask = df['A'].values == 'foo'
%timeit mask = df['A'] == 'foo'

5.84 µs ± 195 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
166 µs ± 4.45 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

评估 面具 与 麻木的 阵列速度快30倍。部分原因是 麻木的 评估通常更快。部分原因还在于缺乏构建索引和相应的 PD.系列 对象。

接下来,我们来看看切片的时机 面具 对另一个。

mask = df['A'].values == 'foo'
%timeit df[mask]
mask = df['A'] == 'foo'
%timeit df[mask]

219 µs ± 12.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
239 µs ± 7.03 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

业绩的增长并没有那么明显。我们将看看这是否能支持更健壮的测试。

---

面具 备选方案2
我们也可以重建数据帧。重建数据框架时需要注意的是 dtypes 当这样做的时候!

而不是 df[mask] 我们会的

pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)

如果数据帧是混合类型,我们的示例是,那么当我们 df.values 结果数组是 dtype object 因此,新数据框架的所有列将 D型 对象 . 因此需要 astype(df.dtypes) 并扼杀任何潜在的性能提升。

%timeit df[m]
%timeit pd.DataFrame(df.values[mask], df.index[mask], df.columns).astype(df.dtypes)

216 µs ± 10.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
1.43 ms ± 39.6 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

但是,如果数据帧不是混合类型,这是一种非常有用的方法。

鉴于

np.random.seed([3,1415])
d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE'))

d1

   A  B  C  D  E
0  0  2  7  3  8
1  7  0  6  8  6
2  0  2  0  4  9
3  7  3  2  4  3
4  3  6  7  7  4
5  5  3  7  5  9
6  8  7  6  4  7
7  6  2  6  6  5
8  2  8  7  5  8
9  4  7  6  1  5    

---

%%timeit
mask = d1['A'].values == 7
d1[mask]

179 µs ± 8.73 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

对抗

%%timeit
mask = d1['A'].values == 7
pd.DataFrame(d1.values[mask], d1.index[mask], d1.columns)

87 µs ± 5.12 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

我们把时间缩短了一半。

---

面具 备选方案3
@UNUTBU还向我们展示了如何使用 pd.Series.isin 解释 df['A'] 在一组值中。如果我们的一组值是一个值的集合,即 “福” . 但如果需要的话,它也可以归纳为包含更大的值集。事实证明,这仍然是相当快的,即使它是一个更普遍的解决方案。唯一真正的损失是那些不熟悉这个概念的人的直觉。

mask = df['A'].isin(['foo'])
df[mask]

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

但是,和以前一样,我们可以利用 麻木的 在不牺牲任何东西的同时提高性能。我们将使用 np.in1d

mask = np.in1d(df['A'].values, ['foo'])
df[mask]

     A      B  C   D
0  foo    one  0   0
2  foo    two  2   4
4  foo    two  4   8
6  foo    one  6  12
7  foo  three  7  14

---

计时
我将在其他文章中提到其他概念,供参考。
下面的代码

此表中的每一列表示一个不同长度的数据帧,在该数据帧上我们测试每个函数。每列显示所用的相对时间,其中最快的函数的基索引为 1.0 .

res.div(res.min())

                         10        30        100       300       1000      3000      10000     30000
mask_standard         2.156872  1.850663  2.034149  2.166312  2.164541  3.090372  2.981326  3.131151
mask_standard_loc     1.879035  1.782366  1.988823  2.338112  2.361391  3.036131  2.998112  2.990103
mask_with_values      1.010166  1.000000  1.005113  1.026363  1.028698  1.293741  1.007824  1.016919
mask_with_values_loc  1.196843  1.300228  1.000000  1.000000  1.038989  1.219233  1.037020  1.000000
query                 4.997304  4.765554  5.934096  4.500559  2.997924  2.397013  1.680447  1.398190
xs_label              4.124597  4.272363  5.596152  4.295331  4.676591  5.710680  6.032809  8.950255
mask_with_isin        1.674055  1.679935  1.847972  1.724183  1.345111  1.405231  1.253554  1.264760
mask_with_in1d        1.000000  1.083807  1.220493  1.101929  1.000000  1.000000  1.000000  1.144175

你会发现最快的时间似乎是在 mask_with_values 和 mask_with_in1d

res.T.plot(loglog=True)

功能

def mask_standard(df):
    mask = df['A'] == 'foo'
    return df[mask]

def mask_standard_loc(df):
    mask = df['A'] == 'foo'
    return df.loc[mask]

def mask_with_values(df):
    mask = df['A'].values == 'foo'
    return df[mask]

def mask_with_values_loc(df):
    mask = df['A'].values == 'foo'
    return df.loc[mask]

def query(df):
    return df.query('A == "foo"')

def xs_label(df):
    return df.set_index('A', append=True, drop=False).xs('foo', level=-1)

def mask_with_isin(df):
    mask = df['A'].isin(['foo'])
    return df[mask]

def mask_with_in1d(df):
    mask = np.in1d(df['A'].values, ['foo'])
    return df[mask]

---

测试

res = pd.DataFrame(
    index=[
        'mask_standard', 'mask_standard_loc', 'mask_with_values', 'mask_with_values_loc',
        'query', 'xs_label', 'mask_with_isin', 'mask_with_in1d'
    ],
    columns=[10, 30, 100, 300, 1000, 3000, 10000, 30000],
    dtype=float
)

for j in res.columns:
    d = pd.concat([df] * j, ignore_index=True)
    for i in res.index:a
        stmt = '{}(d)'.format(i)
        setp = 'from __main__ import d, {}'.format(i)
        res.at[i, j] = timeit(stmt, setp, number=50)

---

特殊定时
当我们有一个单独的非对象时,看看这个特殊情况 D型 对于整个数据帧。 下面的代码

spec.div(spec.min())

                     10        30        100       300       1000      3000      10000     30000
mask_with_values  1.009030  1.000000  1.194276  1.000000  1.236892  1.095343  1.000000  1.000000
mask_with_in1d    1.104638  1.094524  1.156930  1.072094  1.000000  1.000000  1.040043  1.027100
reconstruct       1.000000  1.142838  1.000000  1.355440  1.650270  2.222181  2.294913  3.406735

事实证明,经过几百行重建是不值得的。

spec.T.plot(loglog=True)

功能

np.random.seed([3,1415])
d1 = pd.DataFrame(np.random.randint(10, size=(10, 5)), columns=list('ABCDE'))

def mask_with_values(df):
    mask = df['A'].values == 'foo'
    return df[mask]

def mask_with_in1d(df):
    mask = np.in1d(df['A'].values, ['foo'])
    return df[mask]

def reconstruct(df):
    v = df.values
    mask = np.in1d(df['A'].values, ['foo'])
    return pd.DataFrame(v[mask], df.index[mask], df.columns)

spec = pd.DataFrame(
    index=['mask_with_values', 'mask_with_in1d', 'reconstruct'],
    columns=[10, 30, 100, 300, 1000, 3000, 10000, 30000],
    dtype=float
)

测试

for j in spec.columns:
    d = pd.concat([df] * j, ignore_index=True)
    for i in spec.index:
        stmt = '{}(d)'.format(i)
        setp = 'from __main__ import d, {}'.format(i)
        spec.at[i, j] = timeit(stmt, setp, number=50)