Python 在多索引数据帧上设置值的更快方法？

我有一个很慢的代码。代码分析清楚地表明，瓶颈是我的Pandas多索引上的.loc

假设我这样初始化它：

columns = pd.MultiIndex.from_product([['a','b'], np.arange(10), np.arange(1000)])
index = np.arange(10)
df = pd.DataFrame(np.empty((len(index), len(columns.values))), index=index, columns=columns)

并且.loc非常慢（使用timeit时为100ms）

我怎样才能使它更快？？？？ 目前，我发现了一个糟糕的解决方案，即使用for循环设置值（需要2毫秒），但我确信有更好的解决方案。 我希望坚持使用多索引数据帧，而不是单索引或Numpy数组

这是一种欺骗，但我建议重新问一个更简单的问题

谢谢， 蒂埃里

编辑 因为它似乎对MaxU感兴趣，下面是我的快速for循环

def mod(df, array):
    k = 0
    for i in [0,1]:
        for j in np.arange(100):
            df.at[4, ('a',i,j)] = array[k]
            k += 1
    return df

%timeit mod(df, np.arange(200))
100 loops, best of 3: 2.1 ms per loop

---

你确定这不是我们的一部分吗？你打算在循环中使用df.loc[]吗？在for循环中，我可以在单个数据（无切片）上使用df.at更快。在切片设置上，df.at的速度不比df.loc快。我是问您是否在

中调用当前的
df.loc[…切片器..]
解决方案以用于。。。循环

以及是否可以避免……不，我使用.at。我编辑了我的问题。我试图问你是否在循环中调用

mod（）

函数？；-）

def mod(df, array):
    k = 0
    for i in [0,1]:
        for j in np.arange(100):
            df.at[4, ('a',i,j)] = array[k]
            k += 1
    return df

%timeit mod(df, np.arange(200))
100 loops, best of 3: 2.1 ms per loop