在 pandas 中高效使用替换

Question

我希望在 python3 中以有效的方式使用

replace

函数。我拥有的代码正在完成任务，但速度太慢，因为我正在处理大型数据集。因此，每当需要权衡时，我的首要任务是效率而不是优雅。这是我想做的一个玩具：

import pandas as pd
df = pd.DataFrame([[1,2],[3,4],[5,6]], columns = ['1st', '2nd'])

       1st  2nd
   0    1    2
   1    3    4
   2    5    6


idxDict= dict()
idxDict[1] = 'a'
idxDict[3] = 'b'
idxDict[5] = 'c'

for k,v in idxDict.items():
    df ['1st'] = df ['1st'].replace(k, v)

这给出了

     1st  2nd
   0   a    2
   1   b    4
   2   c    6

如我所愿，但这需要太长时间。最快的方法是什么？

编辑：这是一个比 this 更集中、更清晰的问题，其解决方案类似。

Answer 1

使用

map

执行查找：

In [46]:
df['1st'] = df['1st'].map(idxDict)
df
Out[46]:
  1st  2nd
0   a    2
1   b    4
2   c    6

避免出现没有有效钥匙可以通过的情况

na_action='ignore'

您也可以使用

df['1st'].replace(idxDict)

，但要回答您有关效率的问题：

时间

In [69]:
%timeit df['1st'].replace(idxDict)
%timeit df['1st'].map(idxDict)

1000 loops, best of 3: 1.57 ms per loop
1000 loops, best of 3: 1.08 ms per loop

In [70]:    
%%timeit
for k,v in idxDict.items():
    df ['1st'] = df ['1st'].replace(k, v)

100 loops, best of 3: 3.25 ms per loop

因此使用

map

速度快了 3 倍以上

在更大的数据集上：

In [3]:
df = pd.concat([df]*10000, ignore_index=True)
df.shape

Out[3]:
(30000, 2)

In [4]:    
%timeit df['1st'].replace(idxDict)
%timeit df['1st'].map(idxDict)

100 loops, best of 3: 18 ms per loop
100 loops, best of 3: 4.31 ms per loop

In [5]:    
%%timeit
for k,v in idxDict.items():
    df ['1st'] = df ['1st'].replace(k, v)

100 loops, best of 3: 18.2 ms per loop

对于 30K 行 df，

map

的速度要快约 4 倍，因此它的扩展性比

replace

或循环

更好

Answer 2

虽然

map

确实更快，但

replace

在 19.2 版本中进行了更新（详情）以提高其速度，从而使差异显着减小：

In [1]:
import pandas as pd


df = pd.DataFrame([[1,2],[3,4],[5,6]], columns = ['1st', '2nd'])
df = pd.concat([df]*10000, ignore_index=True)
df.shape

Out [1]:
(30000, 2)

In [2]:
idxDict = {1:'a', 3:"b", 5:"c"}
%timeit df['1st'].replace(idxDict, inplace=True)
%timeit df['1st'].update(df['1st'].map(idxDict))

Out [2]:
100 loops, best of 3: 12.8 ms per loop
100 loops, best of 3: 7.95 ms per loop

此外，我还修改了 EdChum 的地图代码以包含

update

，虽然速度较慢，但可以防止未包含在不完整地图中的值更改为 nan。

Answer 3

如果不需要 NaN 传播——您想要替换值但保留字典中不匹配的值——还有其他两个选项：

def numpy_series_replace(series: pd.Series, mapping: dict) -> pd.Series:
    """Replace values in a series according to a mapping."""
    result = series.copy().values
    for k, v in mapping.items():
        result[series.values==k] = v
    return pd.Series(result, index=series.index)

或

def apply_series_replace(series: pd.Series, mapping: dict) -> pd.Series:
    return series.apply(lambda y: mapping.get(y,y))

numpy 实现感觉有点 hacky，但速度更快。

v = pd.Series(np.random.randint(0, 10, 1000000))
mapper = {0: 1, 3: 2}

%timeit numpy_series_replace(v, mapper)
60.1 ms ± 200 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit apply_series_replace(v, mapper)
311 ms ± 10.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

Answer 4

您不必循环浏览您的字典！ Pandas 将通过

replace

或

map

的一个命令应用整个字典。这些方法也可以使用Series。

您可能知道，您还可以以更少的努力构建您的字典。

d = {
1: 'a',
3: 'b', 
5: 'c',
}

df['1st'] = df['1st'].replace(d)

其他人注意到映射和替换速度之间存在微小差异，但循环显然是您的问题。请注意，映射和替换之间还有其他区别。其一，

replace

将保留您的字典键中没有的所有条目 -

map

将清除它们。