寻找一种在 Pandas 中加速此应用功能的方法

Question

我目前正在使用一个 csv 文件，该文件包含具有 na 和 list 值的列。 当我读入数据时，列表值变为字符串值，即 [1, 2, 3] 变为“[1, 2, 3]”。 我曾尝试使用 ast.literal_eval 使用转换器读取数据，但不幸的是，由于数据中存在 na 值，此方法不起作用。

我通过将以下函数应用于有此问题的列来解决此问题。

import numpy as np

def string_to_list(row_value):
    if row_value is np.nan:
        return np.nan

    else:
        return eval(row_value)

现在的问题是数据框中有超过 200k 行并且多列有这个问题，所以这个方法需要很多时间（每列约 1.5 秒）。

下面是一个可重现的例子

import pandas as pd

column1 = [np.nan, "[1, 2, 3]", "[3, 2, 1]"] * 100000
df = pd.DataFrame(
    {
        'column1': column1
    }
)

df['column1'].apply(lambda x: string_to_list(x))

经过一些研究，我发现很多帖子都说矢量化是一种将函数应用于列的更快方法，但我不确定如何在我的情况下应用它。 我尝试了以下操作，但我不确定如何指定将函数运行到条件语句为假的索引。

np.where(
    pd.isna(x),
    x,
    string_to_list(x) #Confused on how to pass argument in here where the conditional statements results to False
)

任何建议表示赞赏，谢谢！

Answer 1

在你的情况下做ast

import ast 

df['column1'] = df['column1'].map(lambda x : ast.literal_eval(x)  if x == x else x)

Answer 2

有一个关于这个话题的一些讨论在这里，这表明使用以下（更无法读取）功能更快：

def string_to_list2(row_value):
    if row_value is np.nan:
        return np.nan
    else:
        return list(map(str.strip, row_value.strip('][').replace('"','').split(',')))

当我用 1000 行重新创建df时，情况似乎确实如此：

%%timeit 
df['column1'].apply(lambda x: string_to_list(x))
# 1000 loops, best of 5: 1.75 ms per loop

%%timeit 
df['column1'].apply(lambda x: string_to_list2(x))
# 1000 loops, best of 5: 555 µs per loop