如何有效地在多个数据帧中找到相同的索引

Question

我有一个收集一周内生成的报告并合并收集以消除相同报告的流程。

我编写了一个函数，该函数通过查找具有相同索引的报告来识别相同的报告，然后排除所有相同的报告，然后继续前进。虽然它适用于 5000-10,000 份报告，但处理 50,000 多份报告开始需要大量时间，随着时间的推移，这种情况将越来越普遍。

如果我可以先发制人地消除报告并避免此步骤，那就太好了，但是生成报告的过程不允许这样做。所以，我想找到一种方法让这个或类似的功能更有效。

代码如下：

def report_diff_index(self,dnc_data,folders):
    master_report_dict, master_val_dict = self.report_orderer(folders)
    sorts = self.report_sorter(dnc_data,master_report_dict)
    keys = [k for k in sorts.keys()]
    consolidated_sorts = keys
    print('Original Report Size: ', len(consolidated_sorts))
    for k in keys:
        if k in consolidated_sorts:
            for j in keys[keys.index(k)+1:]:
                if j in consolidated_sorts:
                    if len(list(set(sorts[k].index).symmetric_difference(sorts[j].index))) == 0:
                        consolidated_sorts.remove(j)
    print('Consolidated Report Size: ', len(consolidated_sorts))
    consolidated_report = {}
    consolidated_val = {}
    for s in consolidated_sorts:
        consolidated_report[s] = master_report_dict[s]
        consolidated_val[s] = master_val_dict[s]
    return consolidated_report, consolidated_val

Answer 1

我不知道我是否正确理解了您的问题，即使我理解了，我也不知道这是否更快，但是否可以创建一个使用唯一报告索引作为键的 dict （例如使用frozenset），然后将报告键作为值。这感觉像是建立唯一列表的更快方法，但我可能会离开：

def report_diff_index(self,dnc_data,folders):
    master_report_dict, master_val_dict = self.report_orderer(folders)
    sorts = self.report_sorter(dnc_data,master_report_dict)
    print('Original Report Size: ', len(sorts))
    unique_reports = dict()
    for report_key, report in sorts.items:
        key = frozenset(report.index)
        # Alt 1. Replace with new (identical) repoirt
        unique_reports[key] = report_key
        # Alt 2. Keep first report
        if key not in unique_reports:
            unique_reports[key] = report_key
    consolidated_sorts = unique_reports.values()
    print('Consolidated Report Size: ', len(consolidated_sorts))
    consolidated_report = {}
    consolidated_val = {}
    for s in consolidated_sorts:
        consolidated_report[s] = master_report_dict[s]
        consolidated_val[s] = master_val_dict[s]
    return consolidated_report, consolidated_val

如您所见，dict更新中还有两个选项，这取决于您是要保留第一个找到的报告还是无关紧要。

插入 dict 应该接近 O(1)，因此我想这会相当快。

Answer 2

如果我错了，请纠正我，但它看起来像：

consolidated_sorts = keys
print('Original Report Size: ', len(consolidated_sorts))
for k in keys:
    if k in consolidated_sorts:
        for j in keys[keys.index(k)+1:]:
            if j in consolidated_sorts:
                if len(list(set(sorts[k].index).symmetric_difference(sorts[j].index))) == 0:
                    consolidated_sorts.remove(j)

只是寻找独特的报告。实际上，迭代是多余的，因为您首先将consolidated_sorts 设置为等于keys，然后迭代这些值并询问它们是否在consolidated_sorts 中，这是它们的来源。

如果你只是想要唯一的键，你可以试试这样的：

def report_diff_index(self,dnc_data,folders):
    master_report_dict, master_val_dict = self.report_orderer(folders)
    sorts = self.report_sorter(dnc_data,master_tree)

    # New code to create unique set of keys
    unique_keys = set(sorts.keys())

    consolidated_report = {}
    consolidated_val = {}

    for key in unique_keys:
        consolidated_report[key] = master_report_dict[key]
        consolidated_val[key] = master_val_dict[key]

    return consolidated_report, consolidated_val