熊猫替换/字典缓慢

Question

请帮助我理解为什么这个“从字典替换”操作在 Python/Pandas 中很慢：

# Series has 200 rows and 1 column
# Dictionary has 11269 key-value pairs
series.replace(dictionary, inplace=True)

字典查找应该是 O(1)。替换列中的值应该是 O(1)。这不是矢量化操作吗？就算不向量化，迭代200行也只是200次迭代，怎么会慢呢？

这是一个 SSCCE 演示该问题：

import pandas as pd
import random

# Initialize dummy data
dictionary = {}
orig = []
for x in range(11270):
    dictionary[x] = 'Some string ' + str(x)
for x in range(200):
    orig.append(random.randint(1, 11269))
series = pd.Series(orig)

# The actual operation we care about
print('Starting...')
series.replace(dictionary, inplace=True)
print('Done.')

在我的机器上运行该命令需要超过 1 秒的时间，这比执行

Answer 1

感谢@root：我再次进行了基准测试，在 pandas v1.1.4 上发现了不同的结果

发现 series.map(dictionary) 最快，它也返回 NaN is key not present

Answer 2

.replace 可以进行不完整的子字符串匹配，而.map 需要在字典中提供完整的值（或者它返回 NaN）。快速但通用的解决方案（可以处理子字符串）应首先在所有可能值的字典上使用.replace（例如使用.value_counts().index 获得），然后使用此字典和.map 遍历系列的所有行。例如，此组合可以在 1/4 秒内处理 1m 行列上的特殊国家字符替换（完整子字符串），其中 .replace 单独需要 15 个。

Answer 3

看起来replace 有一点开销，并且通过map 明确告诉系列要做什么会产生最佳性能：

series = series.map(lambda x: dictionary.get(x,x))

如果您确定所有键都在您的字典中，则可以通过不创建 lambda 并直接提供 dictionary.get 函数来获得非常轻微的性能提升。任何不存在的键都将通过此方法返回NaN，因此请注意：

series = series.map(dictionary.get)

您也可以只提供字典本身，但这似乎会带来一些开销：

series = series.map(dictionary)

时间安排

使用您的示例数据进行一些时间比较：

%timeit series.map(dictionary.get)
10000 loops, best of 3: 124 µs per loop

%timeit series.map(lambda x: dictionary.get(x,x))
10000 loops, best of 3: 150 µs per loop

%timeit series.map(dictionary)
100 loops, best of 3: 5.45 ms per loop

%timeit series.replace(dictionary)
1 loop, best of 3: 1.23 s per loop