切片具有大列表的多索引熊猫数据框

Question

我有一个带有多索引的大型数据框。我想使用一个相当大的列表来切片这个数据框。下面是一个示例代码。此操作大约需要 10 秒。

import pandas as pd
import numpy as np

df = pd.DataFrame(
    {
        "x": np.repeat(np.arange(10000), 50),
        "y": np.repeat(np.arange(50), 10000),
        "val": np.random.rand(50*10000)
    }
).set_index(["x", "y"])

large_list = range(5000,10000)

slice = df.loc[(large_list, slice(None)),:] # Takes 10 seconds on my machine

作为比较，如果我将此数据帧写入 hdf 文件并使用与我的切片操作相同的where 条件读取它，则只需 1.5 秒！

df.to_hdf("sample.hdf", key="df", append=True)
df1 = pd.read_hdf("sample.hdf", "df", where='x in large_list')

有没有更快的方法来切入内存？

Answer 1

如果您的意图是按任意列表对多索引进行切片，则使用 query 会快得多

创建从5000 到10000 的任意列表

np.random.seed(0)
large_list =  np.random.choice(list(range(5000, 10000)), 5000, replace=False)

In [2245]: large_list
Out[2245]: array([5398, 8833, 9836, ..., 6653, 7607, 7732])

x = df.query('x in @large_list')

比较结果

In [2246]: y = df.loc[(large_list, slice(None)),:]
In [2249]: np.allclose(x, y)
Out[2249]: True