For loop pandas 和 numpy：性能

Question

我已經編寫了以下 for 循環。 主要思想是，在“A_D”列中每次出現“D”時，它都會查找某些特定條件應該發生的所有可能情況。 當所有條件都得到驗證時，一個值被添加到列表中。

a = []
for i in df.index:
    if df['A_D'][i] == 'D':
         if df['TROUND_ID'][i] == '        ':
             vb = df[(df['O_D'] == df['O_D'][i])
             & (df['A_D'] == 'A' )
             & (df['Terminal'] == df['Terminal'][i])
             & (df['Operator'] == df['Operator'][i])]

            number = df['number_ac'][i]
            try: ## if all the conditions above are verified a value is added to a list
                x = df.START[i] - pd.Timedelta(int(number), unit='m')
                value = vb.loc[(vb.START-x).abs().idxmin()].FlightID
            except: ## if are not verified, several strings are added to the list
                value = 'No_link_found'
        else:
            value = 'Has_link'
    else:
        value = 'IsArrival'
a.append(value)

我的主要問題是 df 有數百萬行，因此這個 for 循環太耗時了。 是否有任何不需要使用 for 循環的矢量化解決方案？

Answer 1

最初的一組改進：使用apply而不是循環； 在df["A_D"] == "A"的行的開頭創建第二個數據幀； 並向量化值x 。

arr = df[df["A_D"] == "A"]
# if the next line is slow, apply it only to those rows where x is needed
df["x"] = df.START - pd.Timedelta(int(df["number_ac"]), unit='m')

def link_func(row):
    if row["A_D"] != "D":
        return "IsArrival"
    if row["TROUND_ID"] != "        ":
        return "Has_link"
    vb = arr[arr["O_D"] == row["O_D"]
             & arr["Terminal"] == row["Terminal"]
             & arr["Operator"] == row["Operator"]]
    try:
        return vb.loc[(vb.START - row["x"]).abs().idxmin()].FlightID
    except:
        return "No_link_found"            

df["a"] = df.apply(link_func, axis=1)

使用apply 顯然更有效，但不會自動矢量化計算。 但是根據df每一行在arr找到一個值本質上是耗時的，但它的實現效率如何。 考慮是否可以以某種方式將原始數據幀的兩個部分（其中df["A_D"] == "A"和df["A_D"] == "D" ）改造成寬格式。

編輯：您可以通過將查詢字符串存儲在df來加快對arr的查詢，如下所示：

df["query_string"] = ('O_D == "' + df["O_D"] 
                    + '" & Terminal == "' + df["Terminal"] 
                    + '" & Operator == "' + df["Operator"] + '"')
def link_func(row):
    vb = arr.query(row["query_string"])
    try:
        row["a"] = vb.loc[(vb.START - row["x"]).abs().idxmin()].FlightID
    except:
        row["a"] = "No_link_found"

df.query('(A_D == "D") & (TROUND_ID == "        ")').apply(link_func, axis=1)