从大型Pandas DataFrame中删除行的快速有效方法

Question

我希望从大型Pandas DataFrame中删除行，其中包含基于用户在网站上执行的操作/事件的分析数据。 所有用户操作流都以start事件start ，并以end事件end 。 我想查找已完成特定事件的所有用户（例如signed up - 示例数据框中的索引13）并删除该事件之后的所有事件，直到（并包括） end事件。 因此，在此示例中，必须从数据框中删除已viewed blog post ， page view ， visited site ， ad campaign hit ，已viewed blog post ， visited site ， page view和end 。

In [26]: data
Out[26]: 
    event            user
0   start            user1
1   visited blog     user1
2   page view        user1
3   visited blog     user1
4   viewed blog post user1
5   ad campaign hit  user1
6   page view        user1
7   visited site     user1
8   visited blog     user1
9   viewed blog post user1
10  visited site     user1
11  page view        user1
12  signed up        user1
13  viewed blog post user1
14  page view        user1
15  visited site     user1
16  ad campaign hit  user1
17  viewed blog post user1
18  visited site     user1
19  page view        user1
20  end              user1

我尝试过多种方式 - 使用np.where()来识别正确的行或

removal_starts_at = data[(data.user == 'user1') & (data.event == 'signed up')]
removal_ends_at = data[(data.user == 'user1') & (data.event == 'end')]
data[data.user == 'user1'].drop(data.index[removal_start_at+1:removal_ends_at+1], inplace=True)

但是，这真的很慢！ 每个用户需要大约20秒。 我有1000个用户，所以效率不高。 如果可能的话，我想要以更快的方式做到这一点。

我在撰写这个问题时发现的另一个问题是：如果我不将[data.user == 'user1']包含在数据[data.user == 'user1']子集中，它会变得疯狂并占用计算机上的所有内存。 如果我确实包含它，它实际上不会进行子集化并给我一个关于SettingWithCopy的警告。

我对Pandas比较陌生，所以很可能有一种更简单的方法可以做到这一点而且我只是完全错误地做了。 我想过的想法是使用MultiIndex直接找到用户和事件的组合，或者以更有效的方式进行子集化？

Answer 1

如果我理解正确，那么你的想法就是在一个数据框中有很多用户。 所以我把它扩展为有2个用户。 如果这是对的，那么这样的事情应该很快：

df['keep'] = np.where( df['event'] == 'start', 1, np.nan )
df['keep'] = np.where( df['event'].shift() == 'signed up', 0, df['keep'] )
df['keep'] = df['keep'].ffill()

               event   user  keep
0              start  user1     1
1       visited blog  user1     1
2          page view  user1     1
3          signed up  user1     1
4   viewed blog post  user1     0
5          page view  user1     0
6                end  user1     0
7              start  user2     1
8       visited blog  user2     1
9          signed up  user2     1
10  viewed blog post  user2     0
11               end  user2     0

df[df['keep']==1]

          event   user  keep
0         start  user1     1
1  visited blog  user1     1
2     page view  user1     1
3     signed up  user1     1
7         start  user2     1
8  visited blog  user2     1
9     signed up  user2     1

Answer 2

我只是存储我想要的索引，然后从那里使用一个切片。

In [15]: idx = data.query('user=="user1" and event=="signed up"').index[0]

In [16]: data[:idx+1]
Out[16]: 
               event   user
0              start  user1
1       visited blog  user1
2          page view  user1
3       visited blog  user1
4   viewed blog post  user1
5    ad campaign hit  user1
6          page view  user1
7       visited site  user1
8       visited blog  user1
9   viewed blog post  user1
10      visited site  user1
11         page view  user1
12         signed up  user1