【问题标题】：What is the fastest way to vectorize a 2 parameter .loc update?向量化 2 参数 .loc 更新的最快方法是什么？
【发布时间】：2019-06-25 03:36:06
【问题描述】：

假设我有以下数据框：

import pandas as pd
df = pd.DataFrame({'n': [1, 2, 3], 'm': [4, 4, 7]})
df.loc[df['m']==4,'n']=1

在相对较小的数据集（约 50,000 个 int32 样本）上运行此 .loc 函数需要 11 毫秒。有什么办法可以加快速度吗？我希望将相同的操作降低到 10-100μs 之间。

更新

我已将上面的示例编辑得更简洁。

测试建议的方法后，最快的是：

df['n'].values[df['m'].values == 4] = 1

将该解决方案应用于约 50,000 个样本数据集后，该解决方案的运行速度比原始代码快 244 倍。

【问题讨论】：

标签： python pandas performance numpy

【解决方案1】：

您可以使用np.where 获得更有效的解决方案：

df = pd.DataFrame({'numbers': np.random.choice(range(5), 100_000), 
                   'more_numbers': np.random.choice(range(5), 100_000)})

%timeit df.loc[df.more_numbers==4,'numbers']=1
7.09 ms ± 658 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit np.where(df.more_numbers == 4, 1, df.numbers)
547 µs ± 20.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

所以你可以这样做：

df.numbers = np.where(df.more_numbers == 4, 1, df.numbers)

【讨论】：

【解决方案2】：

有很多方法。您可能希望考虑修改底层 NumPy 数组。但是，这不是文档化或官方推荐的方法。

# Python 3.6.5, Pandas 0.19.2, NumPy 1.11.4
np.random.seed(0)
df = pd.DataFrame({'n': np.random.randint(0, 10, 10**5),
                   'm': np.random.randint(0, 10, 10**5)})

%timeit df.loc[df['m'] == 4, 'n'] = 1                              # 1.3 ms
%timeit df['n'].values[df['m'].values == 4] = 1                    # 436 µs
%timeit df['n'] = np.where(df['m'].values == 4, 1, df['n'])        # 751 µs
%timeit df.iloc[df['m'].values == 4, df.columns.get_loc('n')] = 1  # 880 µs
%timeit df.loc[df['m'].values == 4, 'n'] = 1                       # 1.12 ms
%timeit df['n'] = df['n'].mask(df['m'].values == 4, 1)             # 1.34 ms

【讨论】：

非常感谢jpp的详细解答！最快的方法是%timeit df['n'].values[df['m'].values == 4] = 1

【解决方案3】：

所以只需使用values

%timeit df.values[df['more_numbers']==4,0]=1
10000 loops, best of 3: 127 µs per loop
%timeit df.loc[df['more_numbers']==4,'numbers']=1
1000 loops, best of 3: 692 µs per loop

【讨论】：

这太好了，谢谢！通过将其更改为 df.values[df['more_numbers'].values==4,0]=1，我能够稍微加快您的建议

【解决方案4】：

你可以看看np.where()

df.numbers=np.where(df['more_numbers']==4,1,df.numbers)

【讨论】：

非常感谢
高兴丹尼尔 :)