Question

我有一个相当大的Pandas数据帧（30M行），我需要反复切片，因此性能至关重要。切片需要在一列的值和另一列的值列表中完成。我尝试了两种不同的方法，可以通过以下示例进行说明：

import numpy as np
import pandas as pd

df = pd.DataFrame(
    np.random.randint(1,1000,(10000000,4)),
    columns=['A','B','C','D']
).set_index(['A','B'])

# The values I'm looking for
index_a = np.random.randint(1,1000)  # One value
index_b = np.random.randint(1,1000,150)  # A list of values

# Slicing over the multi-index
idx = pd.IndexSlice
%timeit df.loc[idx[index_a, list(index_b)], :]

# Slicing over column values
df1 = df.reset_index()
%timeit df1.loc[(df1.A == index_a) & (df1.B.isin(index_b))]

在我的机器上，两种情况的表现都非常明显：

切片索引：

每回路3.92 s±111 ms（平均值±标准偏差，7次运行，每次1次循环）

切片列：

每循环2.15 s±77.1 ms（平均值±标准偏差，7次运行，每次循环1次）

对多列索引进行切片要比对列进行切片要慢得多。

这是预期的行为吗？有没有办法优化切片过程？

由于

Answer 1

我最终解决了我的问题，将其中一个索引中的数据分组，这使得切片的速度提高了10倍以上。例如：

df_g = df.groupby(by='A')

def slice_it(ia, ib):
    tg = df_g.get_group(ia)
    return tg.loc[tg.B.isin(index_b)]

%timeit slice_it(index_a, index_b)

Pandas在索引上的性能切片与在列上切片的切片

1 个答案: