將具有多個返回值的矢量化函數應用到 Pandas 數據幀

Question

我有一個數據框，其中包含一個包含“日志”字符串的列。 我想根據我從“日志”列解析的值創建一個新列。 目前，我將.apply()與以下功能一起使用：

def classification(row):
    if 'A' in row['Log']:
        return 'Situation A'
    elif 'B' in row['Log']:
        return 'Situation B'
    elif 'C' in row['Log']:
        return 'Situation C'
    return 'Check'

它看起來像： df['Classification'] = df.apply(classification, axis=1)問題是它需要很多時間（大約 3 分鍾到具有 4M 行的數據框），我正在尋找一種更快的方法. 我看到一些用戶使用矢量化函數的例子，這些函數運行得更快，但函數中沒有 if 語句。 我的問題 - 是否可以對我添加的函數進行矢量化以及最快的執行方式是什么
這個任務？

Answer 1

我不確定使用嵌套的numpy.where會提高性能：這里有一些 4M 行的測試性能

import numpy as np
import pandas as pd

ls = ['Abc', 'Bert', 'Colv', 'Dia']
df =  pd.DataFrame({'Log': np.random.choice(ls, 4_000_000)})

df['Log_where'] = np.where(df['Log'].str.contains('A'), 'Situation A', 
                      np.where(df['Log'].str.contains('B'), 'Situation B', 
                          np.where(df['Log'].str.contains('C'), 'Situation C', 'check')))


def classification(x):
    if 'A' in x:
        return 'Situation A'
    elif 'B' in x:
        return 'Situation B'
    elif 'C' in x:
        return 'Situation C'
    return 'Check'


df['Log_apply'] = df['Log'].apply(classification)

嵌套 np.where 性能

 %timeit np.where(df['Log'].str.contains('A'), 'Situation A', np.where(df['Log'].str.contains('B'), 'Situation B',np.where(df['Log'].str.contains('C'), 'Situation C', 'check')))
8.59 s ± 1.71 s per loop (mean ± std. dev. of 7 runs, 1 loop each)

應用地圖性能

%timeit df['Log'].apply(classification)
911 ms ± 146 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

至少在我的機器上使用嵌套np.where幾乎比applymap慢 10 倍。

最后一句話：使用評論中建議的解決方案，即：

d = {'A': 'Situation A',
     'B': 'Situation B',
     'C': 'Situation C'}
df['Log_extract'] = df['Log'].str.extract('(A|B|C)')
df['Log_extract'] = df['Log_extract'].map(d).fillna('Check')

有以下問題：

1. 它不會necessarely更快-測試我的機器上：

    %timeit df['Log_extract'] = df['Log'].str.extract('(A|B|C)') 3.74 s ± 70.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

2. .extract方法遵循字符串順序，即從字符串'AB'提取'A' ，從'BA'提取'B' 。 另一方面，OP 函數classification具有提取的分層順序，因此在兩種情況下都提取'A' 。