2参数.loc更新矢量化的最快方法是什么？

Question

假设我有以下数据：

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

在一个相对较小的数据集上运行这个.loc函数(大约50,000个int32样本)需要11 is。有什么办法能让我加快速度吗？我希望同样的操作可以降到10-100μ之间.

更新

我编辑了上面的例子，使其更简洁一些。

在测试了所建议的方法之后，最快的是：

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

将其应用于大约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。

Answer 1

有很多种方法。您可能希望考虑修改基础NumPy数组。然而，这不是一种记录在案的或官方推荐的方法。

# 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

Answer 2

您可以使用np.where提供更有效的解决方案：

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)

Answer 3

所以用values就行了

%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