Python 查找以列表形式存在的列元素的数据帧索引的最快方法

我有一个数据框，其中列值作为列表存在。每个列表都有几个元素，一个元素可以存在于多行中。数据帧示例如下：

X = pd.DataFrame([(1,['a','b','c']),(2,['a','b']),(3,['c','d'])],columns=['A','B'])

X = 
 A          B
0  1  [a, b, c]
1  2  [a, b]
2  3     [c, d]

我想找到与列表中的元素对应的所有行，即dataframe索引，并从中创建一个字典。忽略这里的A列，因为B列是感兴趣的！所以元素“a”出现在索引0,1中，它给出了{a'：[0,1]}。此示例数据帧的解决方案是：

Y = {'a':[0,1],'b':[0,1],'c':[0,2],'d':[2]}

我已经编写了一个工作良好的代码，我可以得到一个结果。我的问题更多地与计算速度有关。我的实际数据帧大约有350000行，列“B”中的列表最多可以包含1000个元素。但目前代码运行了几个小时！我想知道我的解决方案是否效率很低。 如果您能以更快、更高效的方式提供帮助，我们将不胜感激！ 以下是我的解决方案代码：

import itertools
import pandas as pd
X = pd.DataFrame([(1,['a','b','c']),(2,['a','b']),(3,['c','d'])],columns=['A','B'])
B_dict = []
for idx,val in X.iterrows():
    B = val['B']
    B_dict.append(dict(zip(B,[[idx]]*len(B))))
    B_dict = [{k: list(itertools.chain.from_iterable(list(filter(None.__ne__, [d.get(k) for d in B_dict])))) for k in set().union(*B_dict)}]

print ('Result:',B_dict[0])

输出

Result: {'d': [2], 'c': [0, 2], 'b': [0, 1], 'a': [0, 1]}

---

for循环中最后一行的代码是从这里借来的：，并使用此方法分解列表：

然后是groupby和apply列表：

idx = np.arange(len(X)).repeat(X['B'].str.len(), 0)
s = X.iloc[idx, ].assign(B=np.concatenate(X['B'].values))['B']
d = s.to_frame().reset_index().groupby('B')['index'].apply(list).to_dict()

# {'a': [0, 1], 'b': [0, 1], 'c': [0, 2], 'd': [2]}

在150000行上速度相当快：

# sample data
X = pd.DataFrame([(1,['a','b','c']),(2,['a','b']),(3,['c','d'])],columns=['A','B'])
df = pd.concat([X]*50000).reset_index(drop=True)

%%timeit
idx = np.arange(len(df)).repeat(df['B'].str.len(), 0)
s = df.iloc[idx, ].assign(B=np.concatenate(df['B'].values))['B']
d = s.to_frame().reset_index().groupby('B')['index'].apply(list).to_dict()

# 530 ms ± 46.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

---

我认为一个

defaultdict

将在大约1分钟内工作：

from collections import defaultdict
from itertools import chain

dd = defaultdict(list)
for k,v in zip(chain.from_iterable(df.B.ravel()), df.index.repeat(df.B.str.len()).tolist()):
    dd[k].append(v)

输出：

---

我让你的B列成为它自己的DF，把它转换成索引中的列，取消堆叠，然后完成清理。它看起来像：

df

 level_0 0
0   0    a
1   0    b
2   0    c
3   1    a
4   1    b
6   2    c
7   2    d

---

然后，我按第0列分组，列出一个列表，然后写一个目录。

您要求的是代码优化，这是代码审查的一部分，可以找到，谢谢您的快速响应！我也在代码审查论坛上发表了文章。非常感谢你的富有洞察力的回答！defaultdict方法比这里建议的其他方法快得多。因此，我已将其标记为正确答案。谢谢@网络编码器。代码复查中两次循环的答案甚至比这快了一点，可能是因为.str.len（）调用很慢。虽然是同一位总校长。谢谢你的解决方案，克里斯！你的方法比我原来的解决方案快得多。但还有一种更快的方法，如ALollz的defaultdict方法所示。所以我接受了这个解决方案。谢谢谢谢本的回复。这也很有用，但当数据的大小增加时，解决方案会变慢。我在这里贴了一个很好的问题：。将您的解决方案的计算效率与defaultdict解决方案进行比较，我已将其视为本例中最快的解决方案。谢谢

X = pd.DataFrame([(1, ['a', 'b', 'c']*300), (2, ['a', 'b']*50),
                  (3, ['c', 'd']*34)], columns=['A', 'B'])
df = pd.concat([X]*150000).reset_index(drop=True)

%%timeit
dd = defaultdict(list)
for k,v in zip(chain.from_iterable(df.B.ravel()), df.index.repeat(df.B.str.len()).tolist()):
    dd[k].append(v)
#38.1 s ± 238 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%%timeit
idx = np.arange(len(df)).repeat(df['B'].str.len(), 0)
s = df.iloc[idx, ].assign(B=np.concatenate(df['B'].values))['B']
d = s.to_frame().reset_index().groupby('B')['index'].apply(list).to_dict()
#1min 24s ± 458 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

X = pd.DataFrame([(1,['a','b','c']),(2,['a','b']),(3,['c','d'])],columns=['A','B'])

df = X['B'].apply(pd.Series).T.unstack().reset_index().drop(columns = ['level_1']).dropna()
df.groupby(0)['level_0'].apply(list).to_dict()

df

 level_0 0
0   0    a
1   0    b
2   0    c
3   1    a
4   1    b
6   2    c
7   2    d