在将数据填充到矩阵 python 时降低时间复杂度

Question

我有一个 core_df 数据框。每一行都必须与其他行进行比较，结果必须存储在矩阵中。条件是如果开始或结束节点不匹配，或者长度比小于 0.2，则必须填充 0，否则必须填充一些值（比如 100）。 问题是数据框可能很大。它可以产生数百万条记录。 我为节省内存所做的是：

• 初始化稀疏 dok 矩阵
• 仅在上部诊断矩阵中填充值（因为它将是下部的镜像）
• 更改了矩阵的数据类型，使其消耗更少的字节。 欢迎任何其他改进内存分配的建议。

我已经尝试了下面的代码，虽然它正在返回结果，但它在大型数据集上花费了大量时间。有没有办法优化时间复杂度？

import pandas as pd
import scipy
from scipy.sparse import dok_matrix
core_df = pd.DataFrame({'sno':[1,2,3,4],'start':[1,3,5,5],'end':[5,14,17,27],'start_elements':[('A', 'B'),('X','Y'),('B', 'C'),('B', 'C')],'end_elements':[('L', 'M'),('S', 'T'),('N', 'P'),('N', 'P')]})
 
core_df_count=len(core_df)    
Score_matrix = dok_matrix((core_df_count, core_df_count))

for i in range(0, core_df_count):
    start1 = core_df.iloc[i, 1]
    end1 = core_df.iloc[i, 2]
    Start_elements1 = core_df.iloc[i, 3]
    End_elements1 = core_df.iloc[i, 4]

    for j in range(i + 1, core_df_count):
        start2 = core_df.iloc[j, 1]
        end2 = core_df.iloc[j, 2]
        Start_elements2 = core_df.iloc[j, 3]
        End_elements2 = core_df.iloc[j, 4]

        if Start_elements1 != Start_elements2 or End_elements1 != End_elements2:
            Score_matrix[i, j] = 0

        else:
            ratio = (end1 - start1) / (end2 - start2)
            if ratio <0.2:
                Score_matrix[i, j] = 0
            else:
                Score_matrix[i,j]=100
Score_matrix_2D = pd.DataFrame(Score_matrix.todense())
Score_matrix_2D 

Answer 1

1. 首先我根据start_elements & end_elements 对 df 进行分组，然后只搜索这些
2. 在每个组中，我计算长度并制作密集矩阵来比较长度（比率）。
3. 我搜索 df 指数比率 >= 0.2
4. 我没有将 0 分配给稀疏矩阵，只有 100 才是必要的。默认处处为0

import numpy as np
import pandas as pd
from scipy.sparse import dok_matrix

core_df = pd.DataFrame({'sno': [1, 2, 3, 4], 'start': [1, 3, 5, 5], 'end': [5, 14, 17, 27],
                        'start_elements': [('A', 'B'), ('X', 'Y'), ('B', 'C'), ('B', 'C')],
                        'end_elements': [('L', 'M'), ('S', 'T'), ('N', 'P'), ('N', 'P')]})

core_df_count = len(core_df)
Score_matrix = dok_matrix((core_df_count, core_df_count))
core_df_values = core_df.values

for (start_elements, end_elements), group_df in core_df.groupby(['start_elements', 'end_elements']):
    lengths = (group_df['end'] - group_df['start']).values
    ratios = np.divide.outer(lengths, lengths)
    # I guess we should not take into account diagonal, so adding this:
    ratios[np.arange(len(ratios)), np.arange(len(ratios))] = 0
    where_is_above_threshold = np.where(ratios >= 0.2)
    row_indices = group_df.index[where_is_above_threshold[0]]
    column_indices = group_df.index[where_is_above_threshold[1]]
    Score_matrix[row_indices, column_indices] = 100

Score_matrix_2D = pd.DataFrame(Score_matrix.todense())
print(Score_matrix_2D)

     0    1      2      3
0  0.0  0.0    0.0    0.0
1  0.0  0.0    0.0    0.0
2  0.0  0.0    0.0  100.0
3  0.0  0.0  100.0    0.0