对 pandas 数据框的索引查找。为何这么慢？如何加快速度？ [复制]

Question

假设我有一个熊猫系列，我想将其用作多映射（每个索引键有多个值）：

# intval -> data1
a = pd.Series(data=-np.arange(100000),
              index=np.random.randint(0, 50000, 100000))

我想（尽快）从a 中选择所有值 其中a 的索引与另一个索引b 匹配。 （就像一个内部连接。或者一个合并，但对于系列）。

• a 的索引中可能有重复项。
• b 可能没有重复项，也不一定是a 索引的子集。为了给 pandas 最好的机会，我们假设 b 也可以作为排序索引对象提供：

     b = pd.Index(np.unique(np.random.randint(30000, 100000, 100000))).sortvalues()

所以，我们会有类似的东西：

                      target  
   a        b         result
3  0        3      3  0
3  1        7      8  3 
4  2        8      ...     
8  3      ...
9  4
...

我也只对获取结果的值感兴趣（不需要索引[3,8,...]）。

如果a 没有重复项，我们只需这样做：

a.reindex(b)  # Cannot reindex a duplicate axis

因为&维护了a的副本，我们不能这样做：

d = a[a.index & b.index]
d = a.loc[a.index & b.index]  # same
d = a.get(a.index & b.index)  # same
print d.shape

所以我认为我们需要这样做：

common = (a.index & b.index).unique()
a.loc[common]

...这很麻烦，但也很慢。它不是建立要选择的项目列表很慢：

%timeit (a.index & b).unique()
# 100 loops, best of 3: 3.39 ms per loop
%timeit (a.index & b).unique().sort_values()
# 100 loops, best of 3: 4.19 ms per loop

...所以看起来它确实检索缓慢的值：

common = ((a.index & b).unique()).sort_values()

%timeit a.loc[common]
#10 loops, best of 3: 43.3 ms per loop

%timeit a.get(common)
#10 loops, best of 3: 42.1 ms per loop

...每秒大约 20 次操作。不完全是活泼的！为什么这么慢？

肯定有一种快速的方法可以从 pandas 数据框中查找一组值吗？我不想得到一个索引对象——实际上我所要求的只是对排序索引进行合并，或者（较慢）散列 int 查找。不管怎样，这应该是一个非常快的操作——而不是在我的 3Ghz 机器上每秒 20 个操作。

---

还有：

分析a.loc[common]给：

ncalls  tottime  percall  cumtime   percall filename:lineno(function)
# All the time spent here.
40      1.01     0.02525  1.018     0.02546 ~:0(<method 'get_indexer_non_unique' indexing.py:1443(_has_valid_type)
...
# seems to be called a lot.
1500    0.000582 3.88e-07 0.000832  5.547e-07 ~:0(<isinstance>)

---

PS。我之前发布了一个类似的问题，关于为什么 Series.map 这么慢 Why is pandas.series.map so shockingly slow? 。原因是引擎盖下的惰性索引。这似乎没有发生在这里。

---

更新：

对于大小相似的 a 和常见的 a 是唯一的：

% timeit a.loc[common]
1000 loops, best of 3: 760 µs per loop

...正如@jpp 指出的那样。多索引可能是罪魁祸首。

Answer 1

保证重复索引会减慢您的数据帧索引操作。您可以修改您的输入以向自己证明这一点：

a = pd.Series(data=-np.arange(100000), index=np.random.randint(0, 50000, 100000))
%timeit a.loc[common]  # 34.1 ms

a = pd.Series(data=-np.arange(100000), index=np.arange(100000))
%timeit a.loc[common]  # 6.86 ms

如this related question中所述：

当索引唯一时，pandas 使用哈希表将键映射到值 O(1)。 当索引是非唯一且已排序时，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 索引 O(N)。