如何有效地迭代pandas DataFrame并在这些值上增加NumPy数组？

Question

我的熊猫/ numpy生锈了，我写的代码感觉效率低下。

我正在Python3.x初始化一个numpy零的数组，长度为1000.为了我的目的，这些只是整数：

import numpy as np
array_of_zeros =  np.zeros((1000, ), )

我还有以下DataFrame（比我的实际数据小得多）

import pandas as pd
dict1 = {'start' : [100, 200, 300], 'end':[400, 500, 600]}
df = pd.DataFrame(dict1)
print(df)
##
##    start     end
## 0    100     400
## 1    200     500
## 2    300     600

DataFrame有两列，start和end。这些值表示一系列值，即start将始终是比end更小的整数。在上面，我们看到第一行的范围是100-400，接下来是200-500，然后是300-600。

我的目标是逐行遍历pandas DataFrame，并根据这些索引位置递增numpy数组array_of_zeros。因此，如果10到20的数据帧中有一行，我想将指数10-20的零增加+1。

这是我想要的代码：

import numpy as np
array_of_zeros =  np.zeros((1000, ), )

import pandas as pd
dict1 = {'start' : [100, 200, 300], 'end':[400, 500, 600]}
df = pd.DataFrame(dict1)
print(df)

for idx, row in df.iterrows():
    for i in range(int(row.start), int(row.end)+1):
        array_of_zeros[i]+=1

它的工作原理！

print(array_of_zeros[15])
## output: 0.0
print(array_of_zeros[600])
## output: 1.0
print(array_of_zeros[400])
## output: 3.0
print(array_of_zeros[100])
## output: 1.0
print(array_of_zeros[200])
## output: 2.0

我的问题：这是非常笨拙的代码！我不应该使用那么多带有numpy数组的for循环！如果输入数据帧非常大，则此解决方案效率非常低

有没有更有效（即更多基于numpy）的方法来避免这种for循环？

for i in range(int(row.start), int(row.end)+1):
    array_of_zeros[i]+=1

也许有一个以熊猫为导向的解决方案？

Answer 1

您可以使用NumPy数组索引来避免内部循环，即res[np.arange(A[i][0], A[i][1]+1)] += 1，但这不是有效的，因为它涉及创建新数组和使用高级索引。

相反，您可以使用numba1来优化您的算法，完全符合它的原样。下面的示例通过将性能关键逻辑移动到JIT编译的代码来显示出巨大的性能提升。

from numba import jit

@jit(nopython=True)
def jpp(A):
    res = np.zeros(1000)
    for i in range(A.shape[0]):
        for j in range(A[i][0], A[i][1]+1):
            res[j] += 1
    return res

一些基准测试结果：

# Python 3.6.0, NumPy 1.11.3

# check result the same
assert (jpp(df[['start', 'end']].values) == original(df)).all()
assert (pir(df) == original(df)).all()
assert (pir2(df) == original(df)).all()

# time results
df = pd.concat([df]*10000)

%timeit jpp(df[['start', 'end']].values)  # 64.6 µs per loop
%timeit original(df)                      # 8.25 s per loop
%timeit pir(df)                           # 208 ms per loop
%timeit pir2(df)                          # 1.43 s per loop

用于基准测试的代码：

def original(df):
    array_of_zeros = np.zeros(1000)
    for idx, row in df.iterrows():
        for i in range(int(row.start), int(row.end)+1):
            array_of_zeros[i]+=1   
    return array_of_zeros

def pir(df):
    return np.bincount(np.concatenate([np.arange(a, b + 1) for a, b in \
                       zip(df.start, df.end)]), minlength=1000)

def pir2(df):
    a = np.zeros((1000,), np.int64)
    for b, c in zip(df.start, df.end):
        np.add.at(a, np.arange(b, c + 1), 1)
    return a

---

1对于后人，我包括@ piRSquared关于为什么numba在这里帮助的优秀评论：

numba的优势在于非常有效地循环。虽然它可以理解NumPy的大部分API，但通常最好避免在循环中创建NumPy对象。我的代码是为数据帧中的每一行创建一个NumPy数组。然后在使用bincount之前连接它们。 @jpp的numba代码创建了很少的额外对象，并利用了已有的大部分内容。我的NumPy解决方案和@jpp的numba解决方案之间的差异大约是4-5倍。两者都是线性的，应该很快。

Answer 2

numpy.bincount

np.bincount(np.concatenate(
    [np.arange(a, b + 1) for a, b in zip(df.start, df.end)]
), minlength=1000)

---

numpy.add.at

a = np.zeros((1000,), np.int64)
for b, c in zip(df.start, df.end):
  np.add.at(a, np.arange(b, c + 1), 1)

Answer 3

我的解决方案

for x, y in zip(df.start, df.end):
    array_of_zeros[x:y+1]+=1