如何有效地迭代 pandas DataFrame 并在这些值上增加 NumPy 数组？

Question

我的 pandas/numpy 生锈了，我写的代码感觉效率低下。

我在 Python3.x 中初始化一个 numpy 零数组，长度为 1000。就我的目的而言，这些只是整数：

import numpy as np
array_of_zeros =  np.zeros((1000, ), )

我还有以下DataFrame（比我的实际数据小很多）

import pandas as pd
dict1 = {'start' : [100, 200, 300], 'end':[400, 500, 600]}
df = pd.DataFrame(dict1)
print(df)
##
##    start     end
## 0    100     400
## 1    200     500
## 2    300     600

DataFrame 有两列，start 和 end。这些值表示一个值范围，即start 将始终是小于end 的整数。上面，我们看到第一行的范围是100-400，接下来是200-500，然后是300-600。

我的目标是逐行遍历 pandas DataFrame，并根据这些索引位置递增 numpy 数组 array_of_zeros。因此，如果在10 到20 的数据框中有一行，我想将索引 10-20 的零增加 +1。

这是我想做的代码：

import numpy as np
array_of_zeros =  np.zeros((1000, ), )

import pandas as pd
dict1 = {'start' : [100, 200, 300], 'end':[400, 500, 600]}
df = pd.DataFrame(dict1)
print(df)

for idx, row in df.iterrows():
    for i in range(int(row.start), int(row.end)+1):
        array_of_zeros[i]+=1

而且它有效！

print(array_of_zeros[15])
## output: 0.0
print(array_of_zeros[600])
## output: 1.0
print(array_of_zeros[400])
## output: 3.0
print(array_of_zeros[100])
## output: 1.0
print(array_of_zeros[200])
## output: 2.0

我的问题：这是非常笨拙的代码！我不应该在 numpy 数组中使用这么多 for 循环！如果输入数据帧非常大，此解决方案将非常低效

是否有更有效（即更基于 numpy）的方法来避免这种 for 循环？

for i in range(int(row.start), int(row.end)+1):
    array_of_zeros[i]+=1

也许有面向 pandas 的解决方案？

Answer 1

您可以使用 NumPy 数组索引来避免内部循环，即res[np.arange(A[i][0], A[i][1]+1)] += 1，但这并不高效，因为它涉及创建新数组和使用高级索引。

相反，您可以使用numba¹ 来优化您的算法，就像它现在的样子一样。下面的示例显示了通过将性能关键逻辑移至 JIT 编译代码来显着提高性能。

from numba import jit

@jit(nopython=True)
def jpp(A):
    res = np.zeros(1000)
    for i in range(A.shape[0]):
        for j in range(A[i][0], A[i][1]+1):
            res[j] += 1
    return res

一些基准测试结果：

# Python 3.6.0, NumPy 1.11.3

# check result the same
assert (jpp(df[['start', 'end']].values) == original(df)).all()
assert (pir(df) == original(df)).all()
assert (pir2(df) == original(df)).all()

# time results
df = pd.concat([df]*10000)

%timeit jpp(df[['start', 'end']].values)  # 64.6 µs per loop
%timeit original(df)                      # 8.25 s per loop
%timeit pir(df)                           # 208 ms per loop
%timeit pir2(df)                          # 1.43 s per loop

用于基准测试的代码：

def original(df):
    array_of_zeros = np.zeros(1000)
    for idx, row in df.iterrows():
        for i in range(int(row.start), int(row.end)+1):
            array_of_zeros[i]+=1   
    return array_of_zeros

def pir(df):
    return np.bincount(np.concatenate([np.arange(a, b + 1) for a, b in \
                       zip(df.start, df.end)]), minlength=1000)

def pir2(df):
    a = np.zeros((1000,), np.int64)
    for b, c in zip(df.start, df.end):
        np.add.at(a, np.arange(b, c + 1), 1)
    return a

---

¹ 对于后人，我将 @piRSquared 的精彩评论包括在为什么 numba 在这里有帮助：

numba 的优点是循环非常高效。虽然可以 了解 NumPy 的大部分 API，通常最好避免创建 循环内的 NumPy 对象。我的代码正在为 数据框中的每一行。然后在使用之前将它们连接起来 二进制计数。 @jpp 的 numba 代码创建的额外对象非常少，并且 利用了很多已经存在的东西。我和我的区别 NumPy 解决方案和@jpp 的numba 解决方案大约是4-5 倍。两者都是 线性的，应该很快。

Answer 2

numpy.bincount

np.bincount(np.concatenate(
    [np.arange(a, b + 1) for a, b in zip(df.start, df.end)]
), minlength=1000)

---

numpy.add.at

a = np.zeros((1000,), np.int64)
for b, c in zip(df.start, df.end):
  np.add.at(a, np.arange(b, c + 1), 1)

Answer 3

我的解决方案

for x, y in zip(df.start, df.end):
    array_of_zeros[x:y+1]+=1