53

从 pandas 文档中,我收集到唯一值索引使某些操作高效,并且偶尔可以容忍非唯一索引。

从外部看,非唯一索引似乎并没有被以任何方式利用。例如,以下ix查询速度很慢,以至于它似乎正在扫描整个数据帧

In [23]: import numpy as np
In [24]: import pandas as pd
In [25]: x = np.random.randint(0, 10**7, 10**7)
In [26]: df1 = pd.DataFrame({'x':x})
In [27]: df2 = df1.set_index('x', drop=False)
In [28]: %timeit df2.ix[0]
1 loops, best of 3: 402 ms per loop
In [29]: %timeit df1.ix[0]
10000 loops, best of 3: 123 us per loop

(我意识到这两个ix查询不返回相同的东西——这只是一个例子,ix对非唯一索引的调用看起来要慢得多)

有什么方法可以哄熊猫使用更快的查找方法,例如对非唯一和/或排序索引进行二进制搜索?

4

2 回答 2

102

当索引唯一时,pandas 使用哈希表将键映射到值 O(1)。当索引非唯一且已排序时,pandas 使用二进制搜索 O(logN),当索引是随机排序时,pandas 需要检查索引中的所有键 O(N)。

您可以调用sort_index方法:

import numpy as np
import pandas as pd
x = np.random.randint(0, 200, 10**6)
df1 = pd.DataFrame({'x':x})
df2 = df1.set_index('x', drop=False)
df3 = df2.sort_index()
%timeit df1.loc[100]
%timeit df2.loc[100]
%timeit df3.loc[100]

结果:

10000 loops, best of 3: 71.2 µs per loop
10 loops, best of 3: 38.9 ms per loop
10000 loops, best of 3: 134 µs per loop
于 2013-05-18T21:26:37.400 回答
34

@HYRY 说得很好,但没有什么比带有时间的彩色图表更能说明问题了。

在此处输入图像描述

使用perfplot生成图。代码,供您参考:

import pandas as pd
import perfplot

_rnd = np.random.RandomState(42)

def make_data(n):    
    x = _rnd.randint(0, 200, n)
    df1 = pd.DataFrame({'x':x})
    df2 = df1.set_index('x', drop=False)
    df3 = df2.sort_index()

    return df1, df2, df3

perfplot.show(
    setup=lambda n: make_data(n),
    kernels=[
        lambda dfs: dfs[0].loc[100],
        lambda dfs: dfs[1].loc[100],        
        lambda dfs: dfs[2].loc[100],
    ],
    labels=['Unique index', 'Non-unique, unsorted index', 'Non-unique, sorted index'],
    n_range=[2 ** k for k in range(8, 23)],
    xlabel='N',
    logx=True,
    logy=True,
    equality_check=False)
于 2019-01-22T23:31:29.240 回答