Python 熊猫：基于重复索引值加速df.loc

我有熊猫数据框

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'x': ['a', 'b', 'c'],
    'y': [1, 2, 2],
    'z': ['f', 's', 's']
}).set_index('x')

我想根据选择数组中索引（

x

）的值从中选择行

selection = ['a', 'c', 'b', 'b', 'c', 'a']

使用

df.loc

可获得正确的输出，如下所示

out = df.loc[selection]

---

我遇到的问题是df.loc在大数据帧（200-700万行）上运行非常慢。有没有办法加快这一行动？我研究了

eval（）

，但它似乎不适用于像这样的硬编码索引值列表。我还考虑过使用

pd.DataFrame.isin

，但这会忽略重复值（在

选择中，每个唯一元素只返回一行）。
您可以尝试
合并
：

df = pd.DataFrame({
    'x': ['a', 'b', 'c'],
    'y': [1, 2, 2],
    'z': ['f', 's', 's']
})

df1 = pd.DataFrame({'x':selection})

In [21]: pd.merge(df1,df,on='x', how='left')
Out[21]: 
   x  y  z
0  a  1  f
1  c  2  s
2  b  2  s
3  b  2  s
4  c  2  s
5  a  1  f

使用
reindex
而不是
loc
，可以获得不错的加速比：

df.reindex(selection)

计时（版本0.17.0）：

这两种方法采用不同的路径（因此速度不同）

loc
通过调用
这必然比简单（用于唯一值）更复杂

另一方面，
reindex
中的繁重工作似乎是由中的
take.*
函数完成的。为了构造新的数据帧，这些函数似乎速度更快。
您可以消除选择中的重复。@riotburn重复对于应用程序来说是必要的。如果索引位于选择中的某一行中，则选择该行时如何必要？无法执行
df.loc[列表（设置（选择））]
？不，复制品是故意的<代码>输出

是所需的输出。

>>> selection2 = selection * 100 # a larger list of labels
>>> %timeit df.loc[selection2]
100 loops, best of 3: 2.54 ms per loop

>>> %timeit df.reindex(selection2)
1000 loops, best of 3: 833 µs per loop