带有数组输入的 pandas 中的矢量化

Question

我想以 矢量化 方式从数据框创建一个 备用矩阵，其中包含一个 标签矢量 和一个 矢量的值，同时知道所有标签。

另一个限制是，我不能先创建密集数据帧，然后将其转换为备用数据帧，因为它太大而无法保存在内存中。

---

示例：

所有可能的标签列表：

all_labels = ['a','b','c','d','e',\
          'f','g','h','i','j',\
          'k','l','m','n','o',\
          'p','q','r','s','t',\
          'u','v','w','z']

每行带有特定标签值的数据框：

data = {'labels': [['b','a'],['q'],['n','j','v']],
        'scores': [[0.1,0.2],[0.7],[0.3,0.5,0.1]]}
df = pd.DataFrame(data)

预期的密集输出：

---

这就是我以非矢量化的方式完成的，这花费了太多时间：

from scipy import sparse
from scipy.sparse import coo_matrix

def labels_to_sparse(input_):
    all_, lables_, scores_ = input_
    rows = [0]*len(all_)
    cols = range(len(all_))
    vals = [0]*len(all_)
    for i in range(len(lables_)):
        vals[all_.index(lables_[i])] = scores_[i]

    return coo_matrix((vals, (rows, cols)))

df['sparse_row'] = df.apply(
        lambda x: labels_to_sparse((all_labels, x['labels'], x['scores'])), axis=1
)

df

尽管这可行，但由于必须使用df.apply，因此在处理较大数据时速度非常慢。有没有办法对这个函数进行矢量化，以避免使用apply？

最后，我想用这个数据框来创建矩阵：

my_result = sparse.vstack(df['sparse_row'].values)
my_result.todense() #not really needed - just for visualization

---

编辑

总结公认的解决方案（@Divakar 提供）：

all_labels = np.sort(all_labels)


n = len(df)
lens = list(map(len,df['labels']))
l_ar = np.concatenate(df['labels'].to_list())
d = np.concatenate(df['scores'].to_list())
R = np.repeat(np.arange(n),lens)
C = np.searchsorted(all_labels,l_ar)

my_result = coo_matrix( (d, (R, C)), shape = (n,len(all_labels)))

Answer 1

这是基于np.searchsorted的一个-

n = len(df)
lens = list(map(len,df['labels']))
l_ar = np.concatenate(df['labels'])
d = np.concatenate(df['scores'])
out = np.zeros((n,len(all_labels)),dtype=d.dtype)
R = np.repeat(np.arange(n),lens)
C = np.searchsorted(all_labels,l_ar)
out[R, C] = d

注意：如果all_labels没有排序，我们需要使用sorter arg和searchsorted。

进入稀疏矩阵输出，如coo_matrix -

from scipy.sparse import csr_matrix,coo_matrix

out_sparse = coo_matrix( (d, (R, C)), shape = (n,len(all_labels)))

Answer 2

您可以尝试以下几种替代方法。

方法 1 - 使用列表理解和 reindex 重构您的 DataFrame

from string import ascii_lowercase

all_labels = list(ascii_lowercase)

my_result = (pd.DataFrame([dict(zip(l, v)) for _, (l, v) in df.iterrows()])
             .reindex(columns=all_labels).fillna(0).values)

---

方法 2 - for loop 使用 loc 更新值

my_result = pd.DataFrame(np.zeros((len(df), len(all_labels))), columns=all_labels)

for i, (lab, val) in df.iterrows():
    my_result.loc[i, lab] = val

my_result = my_result.values

---

两者应该产生相同的输出。

[出]

[[0.2 0.1 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.
  0.  0.  0.  0.  0.  0.  0.  0. ]
 [0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.7 0.
  0.  0.  0.  0.  0.  0.  0.  0. ]
 [0.  0.  0.  0.  0.  0.  0.  0.  0.  0.5 0.  0.  0.  0.3 0.  0.  0.  0.
  0.  0.  0.  0.1 0.  0.  0.  0. ]]