假设我有一个pandas数据帧(从csv文件加载)具有此结构(var和err列的数量不是固定的,并且随文件而异):
var_0; var_1; var_2;
32; 9; 41;
47; 22; 41;
15; 12; 32;
3; 4; 4;
10; 9; 41;
43; 21; 45;
32; 14; 32;
51; 20; 40;
为了这个问题,我们放弃err_ds_j和err_mean列。
我必须将每一行的值与其他行的值进行自动比较;例如:我必须将第一行与第二行进行比较,然后与第三行进行比较,然后与第四行进行比较,依此类推,然后我必须将第二行与第一行进行比较,然后与第三行进行比较,对于数据帧的其余部分,以此类推。
深入探讨这个问题,我想看看对于每两行,其中一行的所有“var_I”值是否都高于或等于另一行的相应值。如果满足此条件,则具有更高值的行称为主导行,我将在另一个数据帧中添加具有以下结构的行:
SET_A; SET_B; DOMINANT_SET
0; 1; B
...
其中SET_A和SET_B值是csv数据帧中的索引,而支配集告诉我这两个值中的哪一个是支配集(或者如果没有,它只是被指定为“无”)。
我发现第三列很有用,因为它可以帮助我避免以相反的方式比较已经比较过的行(例如:比较第1行和第0行是无用的,因为我之前已经比较过0和1)。
因此,对于csv文件,生成的输出应该是(实际上是,使用我的代码):
SET_A SET_B DOMINANT_SET
1 0 1 B
2 0 2 none
3 0 3 A
4 0 4 A
5 0 5 B
6 0 6 none
7 0 7 none
8 1 2 A
9 1 3 A
10 1 4 A
11 1 5 none
12 1 6 A
13 1 7 none
14 2 3 A
15 2 4 none
16 2 5 B
17 2 6 B
18 2 7 B
19 3 4 B
20 3 5 B
21 3 6 B
22 3 7 B
23 4 5 B
24 4 6 none
25 4 7 none
26 5 6 A
27 5 7 none
28 6 7 B
我已经为这个特殊的问题编写了所有的代码,对于一些测试数据集(从一个实际的数据集中抽取100行数据)来说,它工作得很好。
以下是相关代码的片段:
import numpy as np
import pandas as pd
def couple_already_tested(index1, index2, dataframe):
return (((dataframe['SET_A'] == index1) & (dataframe['SET_B'] == index2)).any()) | (((dataframe['SET_A'] == index2) & (dataframe['SET_B'] == index1)).any())
def check_dominance(set_a, set_b, index_i, index_j, dataframe):
length = dataframe.shape[0]
if np.all(set_a >= set_b):
print("FOUND DOMINANT CONFIGURATION A > B")
dataframe.loc[length+1] = [index_i,index_j,'A']
elif np.all(set_b >= set_a):
print("FOUND DOMINANT CONFIGURATION B > A")
dataframe.loc[length+1] = [index_i,index_j,'B']
else:
dataframe.loc[length+1] = [index_i,index_j,'none']
df = pd.read_csv('test.csv', sep=';')
dom_table_df = pd.DataFrame(columns=['SET_A','SET_B','DOMINANT_SET'])
df_length = df.shape[0]
var_num = df.shape[1]-1
a = None
b = None
for i in range(0, df_length):
a = df.iloc[i, 0:var_num].values
for j in range(0, df_length):
if j == i:
continue
b = df.iloc[j, 0:var_num].values
if couple_already_tested(i,j,dom_table_df):
print("WARNING: configuration", i, j, "already compared, skipping")
else:
print("Comparing configuration at row", i, "with configuration at row", j)
check_dominance(a, b, i, j, dom_table_df)
print(dom_table_df)
问题是,由于对python和panda都不太精通(我已经学习了大约一个半月),这段代码当然非常慢(对于1000到10000行的数据集),因为我在算法中使用了迭代。我知道我可以使用一种称为矢量化的方法,但在阅读相关内容时,我并不完全确定这对我的用例有好处。
那么,我怎样才能加快计算速度呢?
最佳答案
另一个加速可以通过将.iloc[].values
和.loc[]
替换为.values[]
来实现,但是使用.loc[]
我们必须调整下标,因为.values
采用的是基于零的下标,这与基于1的dom_table_df.index
不同。
dom_table_df = pd.DataFrame(index=np.arange(1, 1+(df_length**2-df_length)/2).astype('i'),
columns=['SET_A', 'SET_B', 'DOMINANT_SET'])
length = 0 # counter of already filled rows
for i in range(0, df_length):
a = df.values[i, 0:var_num]
for j in range(i+1, df_length): # we can skip the range from 0 to i
b = df.values[j, 0:var_num]
#print("Comparing configuration at row", i, "with configuration at row", j)
if np.all(a >= b):
#print("FOUND DOMINANT CONFIGURATION A > B")
dom_table_df.values[length] = [i, j, 'A']
elif np.all(b >= a):
#print("FOUND DOMINANT CONFIGURATION B > A")
dom_table_df.values[length] = [i, j, 'B']
else:
dom_table_df.values[length] = [i, j, 'none']
length += 1