[英]Fastest way to compare rows of two pandas dataframes?
所以我有两个pandas数据帧,A和B.
A是1000行×500列,填充有表示存在或不存在的二进制值。
B是1024行×10列,并且是0和1的完整迭代,因此具有1024行。
我试图找到A中特定10列的A中的哪些行与B中的给定行相对应。我需要整行匹配,而不是逐个元素。
例如,我想要
A[(A.ix[:,(1,2,3,4,5,6,7,8,9,10)==(1,0,1,0,1,0,0,1,0,0)).all(axis=1)]
返回A中的行(3,5,8,11,15)
与那些特定列的B (1,0,1,0,1,0,0,1,0,0)
行匹配的内容(1,2,3,4,5,6,7,8,9,10)
我想在B的每一行都这样做。我能想到的最好方法是:
import numpy as np
for i in B:
B_array = np.array(i)
Matching_Rows = A[(A.ix[:,(1,2,3,4,5,6,7,8,9,10)] == B_array).all(axis=1)]
Matching_Rows_Index = Matching_Rows.index
对于一个实例来说这并不可怕,但我在一个运行大约20,000次的while循环中使用它; 因此,它减慢了相当多的速度。
我一直在乱用DataFrame.apply无济于事。 地图工作能更好吗?
我只是希望有人看到一些显然更高效的东西,因为我对python很新。
谢谢和最好的问候!
当将每一行视为可以转换为十进制数当量的二进制数序列时,我们可以滥用两个数据帧都具有二进制值0
或1
这一事实,方法是将A
的相关列和B
所有列折叠成1D
数组。 这应该可以大大减少问题集,这有助于提高性能。 现在,在获得这些1D
数组之后,我们可以使用np.in1d
在A
查找B
中A
匹配,最后在其上np.where
以获得匹配的索引。
因此,我们会有这样的实现 -
# Setup 1D arrays corresponding to selected cols from A and entire B
S = 2**np.arange(10)
A_ID = np.dot(A[range(1,11)],S)
B_ID = np.dot(B,S)
# Look for matches that exist from B_ID in A_ID, whose indices
# would be desired row indices that have matched from B
out_row_idx = np.where(np.in1d(A_ID,B_ID))[0]
样品运行 -
In [157]: # Setup dataframes A and B with rows 0, 4 in A having matches from B
...: A_arr = np.random.randint(0,2,(10,14))
...: B_arr = np.random.randint(0,2,(7,10))
...:
...: B_arr[2] = A_arr[4,1:11]
...: B_arr[4] = A_arr[4,1:11]
...: B_arr[5] = A_arr[0,1:11]
...:
...: A = pd.DataFrame(A_arr)
...: B = pd.DataFrame(B_arr)
...:
In [158]: S = 2**np.arange(10)
...: A_ID = np.dot(A[range(1,11)],S)
...: B_ID = np.dot(B,S)
...: out_row_idx = np.where(np.in1d(A_ID,B_ID))[0]
...:
In [159]: out_row_idx
Out[159]: array([0, 4])
您可以将merge
与reset_index
一起reset_index
- 输出是B
索引,它们在自定义列中的A
中相等:
A = pd.DataFrame({'A':[1,0,1,1],
'B':[0,0,1,1],
'C':[1,0,1,1],
'D':[1,1,1,0],
'E':[1,1,0,1]})
print (A)
A B C D E
0 1 0 1 1 1
1 0 0 0 1 1
2 1 1 1 1 0
3 1 1 1 0 1
B = pd.DataFrame({'0':[1,0,1],
'1':[1,0,1],
'2':[1,0,0]})
print (B)
0 1 2
0 1 1 1
1 0 0 0
2 1 1 0
print (pd.merge(B.reset_index(),
A.reset_index(),
left_on=B.columns.tolist(),
right_on=A.columns[[0,1,2]].tolist(),
suffixes=('_B','_A')))
index_B 0 1 2 index_A A B C D E
0 0 1 1 1 2 1 1 1 1 0
1 0 1 1 1 3 1 1 1 0 1
2 1 0 0 0 1 0 0 0 1 1
print (pd.merge(B.reset_index(),
A.reset_index(),
left_on=B.columns.tolist(),
right_on=A.columns[[0,1,2]].tolist(),
suffixes=('_B','_A'))[['index_B','index_A']])
index_B index_A
0 0 2
1 0 3
2 1 1
您可以使用loc或ix在pandas中执行此操作,并告诉它查找十列完全相同的行。 像这样:
A.loc[(A[1]==B[1]) & (A[2]==B[2]) & (A[3]==B[3]) & A[4]==B[4]) & (A[5]==B[5]) & (A[6]==B[6]) & (A[7]==B[7]) & (A[8]==B[8]) & (A[9]==B[9]) & (A[10]==B[10])]
在我看来,这是相当丑陋的,但它会工作并摆脱循环所以它应该明显更快。 如果有人能够以更优雅的方式编写相同的操作,我不会感到惊讶。
在这种特殊情况下,您的10个零和1行可以解释为10位二进制数。 如果B是有序的,那么它可以被解释为0到1023的范围。在这种情况下,我们需要做的就是将10行列中的A行计算出来并计算它的二进制等价物。
我将首先定义两个幂的范围,以便我可以用它进行矩阵乘法。
twos = pd.Series(np.power(2, np.arange(10)))
接下来,我将A的列重新标记为MultiIndex并stack
以获得10块。
A = pd.DataFrame(np.random.binomial(1, .5, (1000, 500)))
A.columns = pd.MultiIndex.from_tuples(zip((A.columns / 10).tolist(), (A.columns % 10).tolist()))
A_ = A.stack(0)
A_.head()
最后,我将A_
与twos
相乘得到每行的整数表示并unstack
。
A_.dot(twos).unstack()
现在这是一个1000 x 50的DataFrame,其中每个单元格代表我们为该特定A行的特定10列块匹配的B行中的哪一行。甚至不需要B.
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.