尋找一種在 Pandas 中加速此應用功能的方法

Question

我目前正在使用一個 csv 文件，該文件包含具有 na 和 list 值的列。 當我讀入數據時，列表值變為字符串值，即 [1, 2, 3] 變為“[1, 2, 3]”。 我曾嘗試使用 ast.literal_eval 使用轉換器讀取數據，但不幸的是，由於數據中存在 na 值，此方法不起作用。

我通過將以下函數應用於有此問題的列來解決此問題。

import numpy as np

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

    else:
        return eval(row_value)

現在的問題是數據框中有超過 200k 行並且多列有這個問題，所以這個方法需要很多時間（每列約 1.5 秒）。

下面是一個可重現的例子

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))

經過一些研究，我發現很多帖子都說矢量化是一種將函數應用於列的更快方法，但我不確定如何在我的情況下應用它。 我嘗試了以下操作，但我不確定如何指定將函數運行到條件語句為假的索引。

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
)

任何建議表示贊賞，謝謝！

Answer 1

在你的情況下做ast

import ast 

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

Answer 2

有一個關於這個話題的一些討論在這里，這表明使用以下（更無法讀取）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(',')))

當我用 1000 行重新創建df時，情況似乎確實如此：

%%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