在非常大的数据帧上提高迭代性能

Question

我有一个 pandas 数据框，它由 300 万行和 50 列组成，它们都包含整数（正数或负数）。我想创建一个名为“feature”的新列，它从 50 个现有列中获取最大的负数。

例如，如果给定行的 50 列包含值

-25,-24,-23,...,-1,1,...,23,24,25

“特征”列应返回 -1。

由于我的数据框太大，我尝试过的解决方案耗时太长。例如，我尝试使用列表推导，但因为我使用 iterrows() 太慢了（itertuples() 并没有表现得更好）：

import numpy as np
import pandas as pd
from tqdm import tqdm

df = pd.read_csv('name_of_file.csv')

for idx, row in tqdm(df[list(np.arange(0,50,1))].iterrows()):
    df.loc[idx, 'feature'] = max([n for n in row if n < 0])

对于如此大的数据帧，无需借助线程即可计算此特征的最快方法是什么？

Answer 1

您可以改为使用 DataFrame.where 将所有高于 0 的值设置为 NaN 并返回按行排列的 max：

df['feature'] = df.iloc[:,:50].where(df.iloc[:,:50].lt(0)).max(1)