Python 熊猫中非唯一索引的性能影响是什么?
从pandas文档中,我收集到唯一值索引可以使某些操作有效,而非唯一索引偶尔是可以容忍的 从外部看,非唯一索引似乎没有被任何方式利用。例如,下面的Python 熊猫中非唯一索引的性能影响是什么?,python,performance,indexing,pandas,binary-search,Python,Performance,Indexing,Pandas,Binary Search,从pandas文档中,我收集到唯一值索引可以使某些操作有效,而非唯一索引偶尔是可以容忍的 从外部看,非唯一索引似乎没有被任何方式利用。例如,下面的ix查询速度很慢,似乎正在扫描整个数据帧 In [23]: import numpy as np In [24]: import pandas as pd In [25]: x = np.random.randint(0, 10**7, 10**7) In [26]: df1 = pd.DataFrame({'x':x}) In [27]: df2 =
ix
查询速度很慢,似乎正在扫描整个数据帧
In [23]: import numpy as np
In [24]: import pandas as pd
In [25]: x = np.random.randint(0, 10**7, 10**7)
In [26]: df1 = pd.DataFrame({'x':x})
In [27]: df2 = df1.set_index('x', drop=False)
In [28]: %timeit df2.ix[0]
1 loops, best of 3: 402 ms per loop
In [29]: %timeit df1.ix[0]
10000 loops, best of 3: 123 us per loop
(我意识到两个ix
查询返回的结果并不相同——这只是一个例子,在非唯一索引上调用ix
的速度要慢得多)
有没有什么方法可以诱使pandas使用更快的查找方法,比如对非唯一和/或排序索引进行二进制搜索?当索引是唯一的时,pandas使用哈希表将键映射到值O(1)。当索引非唯一且已排序时,panda使用二进制搜索O(logN),当索引为随机排序时,panda需要检查索引O(N)中的所有键 您可以调用
sort\u index
方法:
import numpy as np
import pandas as pd
x = np.random.randint(0, 200, 10**6)
df1 = pd.DataFrame({'x':x})
df2 = df1.set_index('x', drop=False)
df3 = df2.sort_index()
%timeit df1.loc[100]
%timeit df2.loc[100]
%timeit df3.loc[100]
结果:
10000 loops, best of 3: 71.2 µs per loop
10 loops, best of 3: 38.9 ms per loop
10000 loops, best of 3: 134 µs per loop
,但没有什么比一张彩色的计时图表更能说明这一点
绘图是使用。代码,供您参考:
import pandas as pd
import perfplot
_rnd = np.random.RandomState(42)
def make_data(n):
x = _rnd.randint(0, 200, n)
df1 = pd.DataFrame({'x':x})
df2 = df1.set_index('x', drop=False)
df3 = df2.sort_index()
return df1, df2, df3
perfplot.show(
setup=lambda n: make_data(n),
kernels=[
lambda dfs: dfs[0].loc[100],
lambda dfs: dfs[1].loc[100],
lambda dfs: dfs[2].loc[100],
],
labels=['Unique index', 'Non-unique, unsorted index', 'Non-unique, sorted index'],
n_range=[2 ** k for k in range(8, 23)],
xlabel='N',
logx=True,
logy=True,
equality_check=False)
我不明白最后的时间安排。df3应该更快?@lucid_dreamer我也感到困惑,但df1使用默认索引,从0到len(df1)-1,并且是唯一的,因此df1.loc[]使用哈希表。df2将索引设置为“x”,这不是唯一的,也不是排序的,因此它进行线性扫描,O(N)。df3与df2相同,但排序后仍然是非唯一的,因此它进行二进制搜索。那么为什么df2的线性扫描速度更快呢?我不明白为什么熊猫会在这里切换到二进制搜索。对于多重映射,索引仍然可以在O(1+R)中进行,而不是在O(logN+R)中进行(其中R是返回的结果数)。当索引是唯一的时,它是否也被排序是否重要?答案是否取决于该索引是否为多重索引?