向量化 Pandas 数据帧

Question

这是一个数据清理练习，其中数据帧 A 的特定元素应设置为 NaN，具体取决于通过 B 解码的值。

我编写了以下代码，其中 3 嵌套循环将运行 17 小时：

def Convert(input):
    X = np.fromstring(input[1:-1], dtype=np.int, sep=',')
    return X
tf = B
# B is a dataframe of descriptors for the A dataframe
# the column 'missing_or_unknown' in B is used to determine the elements of A to be replaced
tf['missing_or_unknown'] = B['missing_or_unknown'].apply(lambda x: Convert(x))
Y = tf['missing_or_unknown'].values
for i in range(0,len(A)):
    for j in range(0,85):
        for k in range (0,len(Y[j])):
            if A.iloc[i,j] == Y[j][k]:
                A[i,j] = np.nan

我怀疑瓶颈是长外循环，因为len(A) 大约是 100 万。所以，这不是使用 Pandas 的最佳方式，我会选择：

for j in range(0,85):
      for k in range (0,len(Y[j])):
        if A.iloc[:,j] == Y[j][k]:
                A.iloc[:,j] = np.nan

然而后者抛出异常：

ValueError: The truth value of a Series is ambiguous. Use a.empty, a.bool(), a.item(), a.any() or a.all()

2 个问题：

1. 我对向量化的性能瓶颈和好处说得对吗
2. 如何正确表达if条件
3. Y 的计算并不昂贵，它是一个查找数组以确定如何操作 A 数据帧

Answer 1

如果你想用np.nan 替换任何A 的条目等于Y 的条目在相同的位置，你可以使用：

A[A==Y]=np.nan

这能解决您的问题吗？

您的第一个代码可以运行，但速度很慢。

您的第二个代码不起作用，因为 if 语句将整个列（系列）A.iloc[:,j]与一个值进行比较，您可以按照建议使用.any()。

在这里，我比较了我的代码在您第一次尝试两个尺寸为 100x85 的数据帧时的速度：

import time
A = pd.DataFrame(np.zeros([100,85]))
A.iloc[0,1] = 1
Y = pd.DataFrame(np.ones([100,85]))
start_time = time.time()
A[A==Y]=np.nan
print("--- %s seconds ---" % (time.time() - start_time))
--- 0.030421018600463867 seconds ---

start_time = time.time()
for i in range(0,len(A)):
for j in range(0,85):
    for k in range (0,len(Y[j])):
        if A.iloc[i,j] == Y[j][k]:
            A[i,j] = np.nan
print("--- %s seconds ---" % (time.time() - start_time))
--- 17.413578748703003 seconds ---