Python 如何加速groupby多索引的嵌套循环
我有两个多索引数据帧,即panel1和panel2:它们都有相同的0级索引日期,但不同的1级索引;请参见下面的示例代码:Python 如何加速groupby多索引的嵌套循环,python,pandas,performance,vectorization,multi-index,Python,Pandas,Performance,Vectorization,Multi Index,我有两个多索引数据帧,即panel1和panel2:它们都有相同的0级索引日期,但不同的1级索引;请参见下面的示例代码: # panel1: idx1 = pd.MultiIndex.from_product([['2017-05-02', '2017-05-03', '2017-05-04'],['id1', 'id2', 'id3']],names=['Dates', 'id']) panel1=pd.DataFrame(np.random.randn(9,2), index=idx1,co
# panel1:
idx1 = pd.MultiIndex.from_product([['2017-05-02', '2017-05-03', '2017-05-04'],['id1', 'id2', 'id3']],names=['Dates', 'id'])
panel1=pd.DataFrame(np.random.randn(9,2), index=idx1,columns=['ytm','mat'])
# panel2:
idx2 = pd.MultiIndex.from_product([['2017-05-02', '2017-05-03', '2017-05-04'],['0.5', '1.5', '2.5']],names=['Dates', 'yr'])
panel2=pd.DataFrame(np.random.randn(9), index=idx2,columns=['curve'])
我想按日期(0级索引)在两个面板上循环。因此,对于每一天(例如“2017-05-02”),我在yr列(面板2)中搜索每个id/行(面板1)的mat,如果存在匹配项,我希望获得相应的曲线值(面板2),并将其作为新列(命名为CDB)添加到面板1中
我的当前代码如下:
group1=panel1.groupby(level=0)
group2=panel2.groupby(level=0)
lst=[]
for ytm in group1: # loop over each day
for yr in group2: # loop over each day
df_ytm=ytm[1] # get df of id, yt & mat
df_ytm=df_ytm.assign(CDB=np.nan) # add a col of nan, later will be replaced by matched curve values
df_curve=yr[1].reset_index() # need get rid of index to match yr with t_mat
df_curve.yr=df_curve.yr.astype(float)
for i in range(df_ytm.shape[0]): # loop over each row
if (df_ytm.iloc[i,1]==df_curve.yr).any()==True: # search if each 'mat' value in 'yr' column
df_ytm.iloc[i,2]=df_curve[df_curve.yr.isin([df_ytm.t_mat[i]])].curve.values # if matched, set 'CDB' as curve value
lst.append(df_ytm) # need get modified 'df_ytm' (with matched 'CDB')
代码的工作原理与我在小样本中尝试的一样,但我有一个巨大的面板1(大小为800天乘以10000 ID)和一个巨大的面板2。因此,该代码已经运行了24个多小时
我想知道如何重写代码(使用可能的矢量化)以加快速度
任何意见将不胜感激 如果我理解正确,您需要从
Dates
索引和mat
列构建新的多索引
,并获取该索引的曲线
值
import pandas as pd
import numpy as np
np.random.seed(12)
idx1 = pd.MultiIndex.from_product(
[["2017-05-02", "2017-05-03", "2017-05-04"], ["id1", "id2", "id3"]],
names=["Dates", "id"],
)
panel1 = pd.DataFrame(
np.random.randint(3, size=(9, 2)), index=idx1, columns=["ytm", "mat"]
)
idx2 = pd.MultiIndex.from_product(
[["2017-05-02", "2017-05-03", "2017-05-04"], ["0", "1", "2"]], names=["Dates", "yr"]
)
panel2 = pd.DataFrame(np.random.randint(3, size=9), index=idx2, columns=["curve"])
print(panel1)
# ytm mat
# Dates id
# 2017-05-02 id1 2 1
# id2 1 2
# id3 0 0
# 2017-05-03 id1 2 1
# id2 0 1
# id3 1 1
# 2017-05-04 id1 2 2
# id2 2 0
# id3 1 0
print(panel2)
# curve
# Dates yr
# 2017-05-02 0 0
# 1 1
# 2 2
# 2017-05-03 0 1
# 1 2
# 2 0
# 2017-05-04 0 1
# 1 2
# 2 0
panel1["CDM"] = panel2.loc[
pd.MultiIndex.from_arrays(
[panel1.index.get_level_values(0), panel1.mat.astype(str).rename("yr")]
)
].to_numpy()
print(panel1)
# ytm mat CDM
# Dates id
# 2017-05-02 id1 2 1 1
# id2 1 2 2
# id3 0 0 0
# 2017-05-03 id1 2 1 2
# id2 0 1 2
# id3 1 1 2
# 2017-05-04 id1 2 2 0
# id2 2 0 1
# id3 1 0 1
编辑
将mat
和yr
作为浮点数进行比较,并使用.reindex
代替.loc
import pandas as pd
import numpy as np
np.random.seed(12)
idx1 = pd.MultiIndex.from_product(
[["2017-05-02", "2017-05-03", "2017-05-04"], ["id1", "id2", "id3"]],
names=["Dates", "id"],
)
panel1 = pd.DataFrame(
np.random.randint(3, size=(9, 2)), index=idx1, columns=["ytm", "mat"]
)
panel1.iloc[0, 1] = np.nan
idx2 = pd.MultiIndex.from_product(
[["2017-05-02", "2017-05-03", "2017-05-04"], ["0", "1", "2"]], names=["Dates", "yr"]
)
panel2 = pd.DataFrame(np.random.randint(3, size=9), index=idx2, columns=["curve"])
panel2 = panel2.rename(float, level=1)
print(panel1)
# ytm mat
# Dates id
# 2017-05-02 id1 2 NaN
# id2 1 2.0
# id3 0 0.0
# 2017-05-03 id1 2 1.0
# id2 0 1.0
# id3 1 1.0
# 2017-05-04 id1 2 2.0
# id2 2 0.0
# id3 1 0.0
print(panel2)
# curve
# Dates yr
# 2017-05-02 0.0 0
# 1.0 1
# 2.0 2
# 2017-05-03 0.0 1
# 1.0 2
# 2.0 0
# 2017-05-04 0.0 1
# 1.0 2
# 2.0 0
panel1["CDM"] = panel2.reindex(
pd.MultiIndex.from_arrays(
[panel1.index.get_level_values(0), panel1.mat.rename("yr")]
)
).to_numpy()
print(panel1)
# ytm mat CDM
# Dates id
# 2017-05-02 id1 2 NaN NaN
# id2 1 2.0 2.0
# id3 0 0.0 0.0
# 2017-05-03 id1 2 1.0 2.0
# id2 0 1.0 2.0
# id3 1 1.0 2.0
# 2017-05-04 id1 2 2.0 0.0
# id2 2 0.0 1.0
# id3 1 0.0 1.0
为了生成我的代码的任何非空且可重复的结果, 我稍微改变了两个面板的创建方式:
np.random.seed(0)
idx1 = pd.MultiIndex.from_product([['2017-05-02', '2017-05-03', '2017-05-04'],
['id1', 'id2', 'id3']], names=['Dates', 'id'])
panel1 = pd.DataFrame({'ytm': np.random.randn(9),
'mat': [0.5, 0.82, 1.06, -0.27, 1.5, 0.59, 0.62, 1.89, 2.5]}, index=idx1)
idx2 = pd.MultiIndex.from_product([['2017-05-02', '2017-05-03', '2017-05-04'],
[0.5, 1.5, 2.5]], names=['Dates', 'yr'])
panel2 = pd.DataFrame(np.random.randn(9), index=idx2, columns=['curve'])
这些变化包括:
-te获取可修复的结果np.random.seed
- 只有panel1的ytm列被创建为随机数。整齐 为了在mat中有一些匹配的值,我将预定义的值放在那里, 为每个日期提供一个yr匹配项
- idx2的1级为浮动类型。您的示例包括字符串, 这显然不等于mat值
panel1['CDB'] = panel1.groupby(level=0).apply(getCDB)\
.reset_index(level=0, drop=True)
ytm mat CDB
Dates id
2017-05-02 id1 1.764052 0.50 0.410599
id2 0.400157 0.82 NaN
id3 0.978738 1.06 NaN
2017-05-03 id1 2.240893 -0.27 NaN
id2 1.867558 1.50 0.121675
id3 -0.977278 0.59 NaN
2017-05-04 id1 0.950088 0.62 NaN
id2 -0.151357 1.89 NaN
id3 -0.103219 2.50 -0.205158
非常感谢您的解决方案!它似乎可以工作,但代码
panel1.mat.astype(str)
中出现了一个问题。由于panel1.mat
是带2位小数的浮点数据(例如3.60),故意设置为与panel2.yr
(带2个小数点的浮点值)匹配,因此,panel1.mat.astype(str)
将3.60转换为3.6,因为其格式与panel2.yr
中的(3.60)不匹配。我想知道是否有更好的方法来处理这个问题?或者需要格式化panel2.yr@V.ayrat只是为了跟进,还返回了一个未来警告“main:2:FutureWarning:Passing list likes to.loc或[]如果缺少任何标签,将在将来引发KeyError,您可以使用.reindex()作为替代方法。”。我想知道这是否会成为一个问题?我认为使用浮点格式更好。您可以执行panel2=panel2.重命名(float,level=1)
。但这就提出了比较浮点数的问题。如果为yr
和mat
分配了相同的值,则精确匹配将起作用,但如果有一些中间计算,这可能会稍微改变该值,并且它们将不匹配。。。如果缺少值,则最好按照建议使用.reindex()
来抑制警告。我想知道在这种情况下如何正确使用.reindex
?mat
列确实有nan
,但是yr
没有缺失数据。再次感谢!我认为panel1.mat.astype(str)
在mat
格式为float(例如3.60)但yr
格式为string(例如3.6)时会引起不匹配。。。?简而言之,我试图将yr
设置为float;它会导致所有级别的多索引不匹配,因此,使原始建议不起作用…相反,首先将yr
设置为float,然后再次将其设置为str,匹配过程起作用。此外,我想知道如何正确使用.reindex
@艾拉特
ytm mat CDB
Dates id
2017-05-02 id1 1.764052 0.50 0.410599
id2 0.400157 0.82 NaN
id3 0.978738 1.06 NaN
2017-05-03 id1 2.240893 -0.27 NaN
id2 1.867558 1.50 0.121675
id3 -0.977278 0.59 NaN
2017-05-04 id1 0.950088 0.62 NaN
id2 -0.151357 1.89 NaN
id3 -0.103219 2.50 -0.205158