python - Pandas -关于应用功能的解释很慢

apply函数在处理大数据帧（大约100万到300万行）时似乎工作得很慢。
我在这里检查了相关问题，比如Speed up Pandas apply function，和Counting within pandas apply() function，似乎加速的最好方法是不要使用apply函数：）
对于我的情况，我有两种任务要处理apply函数。
第一个：应用查找dict查询

f(p_id, p_dict):
    return p_dict[p_dict['ID'] == p_id]['value']

p_dict = DataFrame(...)  # it's another dict works like lookup table
df = df.apply(f, args=(p_dict,))

第二：申请Groupby

f(week_id, min_week_num, p_dict):
    return p_dict[(week_id - min_week_num < p_dict['WEEK']) & (p_dict['WEEK'] < week_id)].ix[:,2].mean()

f_partial = partial(f, min_week_num=min_week_num, p_dict=p_dict)
df = map(f, df['WEEK'])

我想对于第一种情况，可以使用dataframe连接来完成，但我不确定在大型数据集上进行这种连接的资源成本。
我的问题是：
在上述两种情况下，有没有办法代替申请？
为什么申请这么慢？对于dict查找，我认为应该是o（n），即使n是100万，也不应该花费那么多。

最佳答案

关于你的第一个问题，我不能确切地说为什么这个例子是缓慢的。但一般来说，apply没有利用矢量化。此外，apply返回一个新的系列或DATAFRAME对象，所以对于一个非常大的DataFrame，您有相当大的IO开销（我不能保证这是100%的时间，因为熊猫有大量的内部实现优化）。
对于第一种方法，我假设您正试图使用df作为查找表填充p_dict中的“value”列。使用pd.merge大约快1000倍：

import string, sys

import numpy as np
import pandas as pd

##
# Part 1 - filling a column by a lookup table
##
def f1(col, p_dict):
    return [p_dict[p_dict['ID'] == s]['value'].values[0] for s in col]

# Testing
n_size = 1000
np.random.seed(997)
p_dict = pd.DataFrame({'ID': [s for s in string.ascii_uppercase], 'value': np.random.randint(0,n_size, 26)})
df = pd.DataFrame({'p_id': [string.ascii_uppercase[i] for i in np.random.randint(0,26, n_size)]})

# Apply the f1 method  as posted
%timeit -n1 -r5 temp = df.apply(f1, args=(p_dict,))
>>> 1 loops, best of 5: 832 ms per loop

# Using merge
np.random.seed(997)
df = pd.DataFrame({'p_id': [string.ascii_uppercase[i] for i in np.random.randint(0,26, n_size)]})
%timeit -n1 -r5 temp = pd.merge(df, p_dict, how='inner', left_on='p_id', right_on='ID', copy=False)

>>> 1000 loops, best of 5: 826 µs per loop

关于第二个任务，我们可以快速添加一个新列到p_dict，它计算时间窗口在min_week_num开始的时间，并结束在p_dict中该行的一周。这要求p_dict按照WEEK列的升序排序。然后您可以再次使用pd.merge。
在下面的例子中，我假设min_week_num是0。但您可以很容易地修改rolling_growing_mean以获取不同的值。rolling_growing_mean方法将在o（n）中运行，因为它每次迭代执行固定数量的操作。

n_size = 1000
np.random.seed(997)
p_dict = pd.DataFrame({'WEEK': range(52), 'value': np.random.randint(0, 1000, 52)})
df = pd.DataFrame({'WEEK': np.random.randint(0, 52, n_size)})

def rolling_growing_mean(values):
    out = np.empty(len(values))
    out[0] = values[0]
    # Time window for taking mean grows each step
    for i, v in enumerate(values[1:]):
        out[i+1] = np.true_divide(out[i]*(i+1) + v, i+2)
    return out

p_dict['Means'] = rolling_growing_mean(p_dict['value'])

df_merged = pd.merge(df, p_dict, how='inner', left_on='WEEK', right_on='WEEK')