Python 3.x 在数据框中搜索列表中每个元素的最有效方法

我有一个超过100万的数据集，比如d。我需要找到像seekingframe这样的数据框架的索引，它在该数据集中超过1500个元素

import pandas as pd 

d=pd.DataFrame([225,230,235,240,245,250,255,260,265,270,275,280,285,290,295,300,305,310,315,320])
seekingframe=pd.DataFrame([275,280,285,290,295,300,305,310,315,320,325,330,335,340,345,350,355,180,255,260])

我需要尽快在d中找到seekingframe的每个元素。我的意思是，我需要一个最终数组，如：

array([ 10, 11,  12, 13, 14, 15, 16, 17, 18, 19, -1, -1, -1, -1, -1, -1, -1, -1, 6, 7])

或者像数组一样的差异

[11, 12, 13, 14, 15, 16, 17, 18]

---

表示相似或不同的事物。实际上，如果可能的话，我宁愿放弃不同的设置。

使用numpy可能会更快。在这些小的唯一数组上，numpy比pandas快100倍以上。isin没有将假定_unique=True传递给numpy函数，该函数查找两个数组np.in1d的交集并返回True或False

如果您通过了假设_unique=True，则速度会快300倍：

---

使用numpy可能会更快。在这些小的唯一数组上，numpy比pandas快100倍以上。isin没有将假定_unique=True传递给numpy函数，该函数查找两个数组np.in1d的交集并返回True或False

如果您通过了假设_unique=True，则速度会快300倍：

---

每个数据帧中的数字都是唯一的吗？这些数字是严格单调的吗？这似乎也是一个numpy问题，因此标记是否正确。每个数据帧中的数字都是唯一的吗？这些数字是严格单调的吗？这似乎也是一个numpy问题，因此标记是否正确。

#finding similar
%timeit d[d[0].isin(seekingframe[0])].index
404 µs ± 6.25 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

#finding difference
%timeit seekingframe[~seekingframe[0].isin(d[0])].index
458 µs ± 2.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

# finding similar with numpy arrays and NOT passing `assume_unique=True`
a = d[0].to_numpy()
b = seekingframe[0].to_numpy()
%timeit np.arange(a.shape[0])[np.in1d(a, b)]

35.4 µs ± 779 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

# finding similar with numpy arrays and passing `assume_unique=True`
a = d[0].to_numpy()
b = seekingframe[0].to_numpy()
%timeit np.arange(a.shape[0])[np.in1d(a, b, assume_unique=True)]

12 µs ± 337 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)