Python 从pandas系列和csr矩阵并行填充Ndaray

目前使用for循环将pandas系列（category/object dtype）和csr矩阵（numpy）中的值填充到ndarray，我希望加快速度

Sequential for loop（有效）、numba（不喜欢序列和字符串）、joblib（比Sequential loop慢）、swifter.apply（速度慢得多，因为我必须使用pandas，但它可以并行化）

将熊猫作为pd导入
将numpy作为np导入
从scipy.sparse导入rand
nr_匹配=10**5
name_vector=pd.Series（pd.util.testing.rands_数组（10，nr_匹配））
匹配=兰德（nr_匹配，10，密度=0.2，格式='csr'）
非零=匹配项。非零（）
sparserows=非零[0]
sparsecols=非零[1]
左侧=np.empty（[nr\u匹配]，数据类型=对象）
右侧=np.empty（[nr\u匹配]，dtype=object）
相似性=np.零（nr_匹配）
对于范围内的索引（0，nr_匹配）：
左侧[index]=name\u vector.iat[sparserows[index]]
右侧[index]=name\u vector.iat[sparsecols[index]]
相似性[索引]=匹配项。数据[索引]

没有错误消息，但这是缓慢的，因为它使用一个线程

如前所述，切片直接起作用

matches_df["left_side"] = name_vector.iloc[sparserows].values
matches_df["right_side"] = name_vector.iloc[sparsecols].values
matches_df["similarity"] = matches.data

---

你不能简单地切片-

name\u vector.iloc[sparserows[：nr\u matches]]。值

以获得

左侧

。类似地，对于

sparsecols

和相似性：

匹配。数据[：nr_匹配]

？