如何在 pandas DataFrame 上有效地进行 map 转换

Question

一个有趣的问题。

我有一个（大）表，看起来像：

交易日期（索引）	store_id	部门编号	总收入
'2020-01-01'	商店1	水果	7.50 美元
'2020-01-01'	商店2	水果	2.75 美元
'2020-01-01'	商店1	蔬菜	47.50 美元
'2020-01-01'	商店2	蔬菜	8.25 美元
...	...	...	...

我想根据store_id和department_id的值转换gross_revenue列。

为了论证起见，假设我想将所有Store1销售额增加 25%，将Veg销售额增加 10%，将Fruit销售额增加 75%（暂时不用担心订单）。

我希望用户能够写：

modifiers = {
    'store_id': {
        'Store1': lambda x: x*1.25
     },
    'department_id: {
        'Veg' : lambda x: x*1.10, 
        'Fruit': lambda x: x*1.75
    }
}

在 Pandas 中是否有执行此操作的高效方法？

作为基线，此代码有效：

from functools import reduce

ans = (table
 .assign(gross_revenue = lambda x: x
     .apply(lambda row: reduce(lambda x, f: f(x), [row['gross_revenue'], 
                                                   modifiers.get(row['business_id'], lambda x: x),
                                                   modifiers.get(row['department_description'], lambda x: x)
                                                  ]), axis=1)
    )
)

但是，它需要将近 2 分钟（表格是 5-10m 行）。

有谁知道更快的方法？

提前致谢。

Answer 1

使用map ：

store_adjust = {'Store1': 1.25, 'Store10':1.3}
dep_adjust = {'Veg': 1.10, 'Fruit':1.75}

df['gross_revenue'] *= ( df['store_id'].map(store_adjust).fillna(1) *
                         df['department_id'].map(dep_adjust).fillna(1) )