在pandas DataFrame中有效地查找匹配的行（基于内容）

Question

我正在编写一些测试，我正在使用Pandas DataFrames来存放大型数据集〜（600,000 x 10）。 我从源数据中提取了10个随机行（使用Stata），现在我想编写一个测试，看看这些行是否在我的测试套件的DataFrame中。

作为一个小例子

np.random.seed(2)
raw_data = pd.DataFrame(np.random.rand(5,3), columns=['one', 'two', 'three'])
random_sample = raw_data.ix[1]

这里raw_data是：

派生random_sample以保证匹配，并且：

目前我写了：

for idx, row in raw_data.iterrows():
    if random_sample.equals(row):
        print "match"
        break

哪个有效，但在大数据集上非常慢。 有没有更有效的方法来检查DataFrame中是否包含整行？

BTW：我的例子还需要能够比较np.NaN相等，这就是我使用equals()方法的原因

Answer 1

equals似乎没有广播，但我们总是可以手动进行相等比较：

>>> df = pd.DataFrame(np.random.rand(600000, 10))
>>> sample = df.iloc[-1]
>>> %timeit df[((df == sample) | (df.isnull() & sample.isnull())).all(1)]
1 loops, best of 3: 231 ms per loop
>>> df[((df == sample) | (df.isnull() & sample.isnull())).all(1)]
              0         1         2         3         4         5         6  \
599999  0.07832  0.064828  0.502513  0.851816  0.976464  0.761231  0.275242   

               7        8         9  
599999  0.426393  0.91632  0.569807  

这比我的迭代版本要快得多（大概需要30秒）。

但是由于我们有很多行和相对较少的列，我们可以循环遍历列，并且在典型情况下可能会大幅减少要查看的行数。 例如，像

def finder(df, row):
    for col in df:
        df = df.loc[(df[col] == row[col]) | (df[col].isnull() & pd.isnull(row[col]))]
    return df

给我

>>> %timeit finder(df, sample)
10 loops, best of 3: 35.2 ms per loop

这大约快一个数量级，因为在第一列之后只剩下一行。

（我想我曾经有过一种更为流畅的方式来做这件事，但对于我的生活，我现在不记得了。）

Answer 2

我提出的最好的方法是采用过滤方法，该方法似乎运行良好，并在数据集很大时阻止了大量的比较：

tmp = raw_data    
for idx, val in random_sample.iteritems():
    try:
        if np.isnan(val):
            continue
    except:
        pass
    tmp = tmp[tmp[idx] == val]
if len(tmp) == 1: print "match"

注意：对于上面的小维度示例，这实际上是较慢的。 但是在大型数据集上，这比基本迭代快~9倍