如何在大熊猫数据框中加快迭代功能？

Question

我对熊猫还很陌生，我有一个大约有500,000行的熊猫数据框，上面有数字。 我正在使用python 2.x，目前正在定义和调用下面显示的方法。 如果系列“ A”中的两个相邻值相同，则它将预测值设置为等于系列“ B”中的对应值。 但是，它运行非常慢，每秒大约输出5行，我想找到一种更快地完成相同结果的方法。

def myModel(df):

    A_series = df['A']
    B_series = df['B']
    seriesLength = A_series.size

    # Make a new empty column in the dataframe to hold the predicted values
    df['predicted_series'] = np.nan

    # Make a new empty column to store whether or not
    # prediction matches predicted matches B
    df['wrong_prediction'] = np.nan
    prev_B = B_series[0]
    for x in range(1, seriesLength):

        prev_A = A_series[x-1]  
        prev_B = B_series[x-1]
        #set the predicted value to equal B if A has two equal values in a row
        if A_series[x] == prev_A:
            if df['predicted_series'][x] > 0:
                 df['predicted_series'][x] = df[predicted_series'][x-1]
            else:
                 df['predicted_series'][x] = B_series[x-1]

有没有一种方法可以对此进行矢量化或使其运行更快？ 在当前情况下，预计将花费许多小时。 真的需要这么长时间吗？ 看来500,000行应该不会给我的程序带来太大问题。

Answer 1

像您描述的那样，这样的事情应该起作用：

df['predicted_series'] = np.where(A_series.shift() == A_series, B_series, df['predicted_series'])

Answer 2

df.loc[df.A.diff() == 0, 'predicted_series'] = df.B  

这将摆脱for循环，并在A等于先前的A时将Forecast_series设置为B的值。

编辑：

根据您的评论，将您的Forecast_series初始化更改为全部NAN，然后预先填充以下值：

df['predicted_series'] = np.nan
df.loc[df.A.diff() == 0, 'predicted_series'] = df.B
df.predicted_series = df.predicted_series.fillna(method='ffill')

对于最快的修改ayhans速度，回答会更好：

df['predicted_series'] = np.where(df.A.shift() == df.A, df.B, df['predicted_series'].shift())

这将为您提供向前填充的值，并且比我最初的建议运行得更快

Answer 3

解

df.loc[df.A == df.A.shift()] = df.B.shift()