Python 高效、快速地实现在数据帧中查找和匹配唯一值
关于以下数据帧Python 高效、快速地实现在数据帧中查找和匹配唯一值,python,python-3.x,performance,pandas,indexing,Python,Python 3.x,Performance,Pandas,Indexing,关于以下数据帧 idx = pd.MultiIndex.from_product([['A001', 'B001','C001'], ['0', '1', '2']], names=['ID', 'Entries']) col = ['A', 'B'] df = pd.DataFrame('-', idx, col) df.loc['A001', 'A'] =
idx = pd.MultiIndex.from_product([['A001', 'B001','C001'],
['0', '1', '2']],
names=['ID', 'Entries'])
col = ['A', 'B']
df = pd.DataFrame('-', idx, col)
df.loc['A001', 'A'] = [10,10,10]
df.loc['A001', 'B'] = [90,84,70]
df.loc['B001', 'A'] = [10,20,30]
df.loc['B001', 'B'] = [70,86,67]
df.loc['C001', 'A'] = [20,20,20]
df.loc['C001', 'B'] = [98,81,72]
df.loc['D001', 'A'] = [20,20,10]
df.loc['D001', 'B'] = [68,71,92]
#df is a dataframe
df
我很想知道哪些ID包含了“a”列中集合或列表中的所有值。让我们定义一个值为[10,20]的列表。在这种情况下,我应该得到位置“B001”和“D001”作为答案,因为这两个位置的“A”列中都有列表中提到的值。
此外,您能否建议更快的实施,因为我必须处理真正的大数据集。基本上-
search_list = {10,20}
op = df.groupby(level=0)['A'].apply(lambda x: search_list.issubset(set(x))).reset_index()
print(op[op['A']]['ID'])
感谢@Ben.T删除不必要的unique()
输出
1 B001
Name: ID, dtype: object
解释
df.groupby(level=0)['A']
groupbylevel 0
并提供以下列表-
ID
A001 [10]
B001 [10, 20, 30]
C001 [20]
接下来,对于这些列表中的每一个,我们将其转换为一个集合,并检查搜索列表
是否是一个子集
ID
A001 False
B001 True
C001 False
它返回一系列布尔值,这些值可以用作掩码-
print(op[op['A']]['ID'])
最终产出-
1 B001
基本上-
search_list = {10,20}
op = df.groupby(level=0)['A'].apply(lambda x: search_list.issubset(set(x))).reset_index()
print(op[op['A']]['ID'])
感谢@Ben.T删除不必要的unique()
输出
1 B001
Name: ID, dtype: object
解释
df.groupby(level=0)['A']
groupbylevel 0
并提供以下列表-
ID
A001 [10]
B001 [10, 20, 30]
C001 [20]
接下来,对于这些列表中的每一个,我们将其转换为一个集合,并检查搜索列表
是否是一个子集
ID
A001 False
B001 True
C001 False
它返回一系列布尔值,这些值可以用作掩码-
print(op[op['A']]['ID'])
最终产出-
1 B001
您可以使用
set.intersection
进行计算,并使用pd.Index.get_level_值
提取索引的第一级:
search = {10, 20}
idx = (set(df[df['A'] == i].index.get_level_values(0)) for i in search)
res = set.intersection(*idx)
您可以使用
set.intersection
进行计算,并使用pd.Index.get_level_值
提取索引的第一级:
search = {10, 20}
idx = (set(df[df['A'] == i].index.get_level_values(0)) for i in search)
res = set.intersection(*idx)
我认为,
unique
是不必要的,因为在apply
:)@Ben.T中使用set(x)
后,这只是以防万一,正如OP指出的那样,这将是一个大数据集,而现实世界中的数据充满了这些。但我同意你说的有道理!我会编辑它。我认为,唯一的
是不必要的,因为你在应用
:)@Ben.T中使用设置(x)
,以防万一,正如OP指出的那样,这将是一个大数据集,而现实世界中的数据充满了这些。但我同意你说的有道理!我将编辑它set。交叉点非常快。这个在大数据集上的实现每个循环需要71纳秒±5.34纳秒(平均±标准偏差7次,每个循环1000000次)。set.intersection
非常快。这个在大数据集上的实现每个循环需要71纳秒±5.34纳秒(平均±标准偏差为7次,每个循环1000000次)。