本文探讨了如何在pandas dataframe中，根据一个series提供行索引和列标签的映射关系，高效、向量化地选取特定元素。通过介绍`factorize`结合`reindex`和`merge`两种主要方法，详细阐述了如何避免低效的循环操作，实现性能优化，并提供了具体的代码示例和注意事项。
在数据分析和处理中，我们经常需要从Pandas DataFrame中提取特定位置的元素。一个常见的场景是，我们有一个DataFrame，以及一个Series。这个Series的索引对应DataFrame的列名，而Series的值则对应DataFrame的行索引。我们的目标是根据这种映射关系，高效地提取DataFrame中对应位置的元素，并返回一个Series或列表。
传统的做法可能会采用迭代Series的方式，逐个查找并赋值，例如：
import pandas as pd# 假设 df 和 sr 已定义# result = pd.Series()# for c, i in sr.items():# result[c] = df.loc[i, c]
这种方法虽然直观，但对于大型数据集而言，其性能瓶颈在于循环操作，无法充分利用Pandas和NumPy的向量化优势，导致效率低下。本文将介绍两种更高效、向量化的解决方案。
示例数据
为了更好地说明问题和解决方案，我们首先定义一个示例DataFrame和Series：
import pandas as pdimport numpy as np# 示例 DataFramedata = np.arange(25).reshape(5, 5)df = pd.DataFrame(data, columns=list('abcde'))print("DataFrame (df):n", df)# 示例 Seriessr = pd.Series({'a': 1, 'c': 2, 'b': 3})print("nSeries (sr):n", sr)
输出：
DataFrame (df): a b c d e0 0 1 2 3 41 5 6 7 8 92 10 11 12 13 143 15 16 17 18 194 20 21 22 23 24Series (sr):a 1c 2b 3dtype: int64
我们的目标是根据sr的映射关系：
sr[‘a’] = 1 对应 df.loc[1, ‘a’] 即 5sr[‘c’] = 2 对应 df.loc[2, ‘c’] 即 12sr[‘b’] = 3 对应 df.loc[3, ‘b’] 即 16最终得到一个Series：{‘a’: 5, ‘c’: 12, ‘b’: 16}。
方法一：利用 factorize 和 reindex 进行二维查找
这种方法的核心思想是将DataFrame的行索引和列标签以及Series中的对应值，都转换为整数位置编码。然后，通过reindex对DataFrame进行对齐，最后利用NumPy的二维数组索引能力进行高效查找。
步骤详解：
编码Series的值和索引：使用pd.factorize()将sr的值（行索引）和sr的索引（列标签）分别转换为整数编码及其对应的唯一标签列表。
a_i, idx = pd.factorize(sr) # a_i 是 sr 值的整数编码，idx 是 sr 值的唯一列表a_c, col = pd.factorize(sr.index) # a_c 是 sr 索引的整数编码，col 是 sr 索引的唯一列表
a_i 将是 [1, 2, 3] (对应 sr 的值 1, 2, 3 在 idx 中的位置)idx 将是 [1, 2, 3] (sr 值的唯一集合)a_c 将是 [0, 1, 2] (对应 sr 索引 a, c, b 在 col 中的位置)col 将是 [‘a’, ‘c’, ‘b’] (sr 索引的唯一集合)
对齐DataFrame：使用df.reindex(index=idx, columns=col)根据sr中涉及到的行索引和列标签来重新排列DataFrame。这会创建一个新的DataFrame视图，其行索引和列名与idx和col完全匹配。
reindexed_df = df.reindex(index=idx, columns=col)
此时，reindexed_df的形状和内容已经准备好，可以与a_i和a_c的整数编码进行对应。
英特尔AI工具
英特尔AI与机器学习解决方案
70 查看详情
执行二维数组查找：将reindexed_df转换为NumPy数组，然后利用a_i和a_c作为行和列的整数索引进行查找。
extracted_values = reindexed_df.to_numpy()[a_i, a_c]
[a_i, a_c] 构成了 (行索引数组, 列索引数组) 的形式，NumPy会根据这些对应位置提取元素。
构建结果Series：将提取到的值extracted_values与原始sr的索引重新组合，形成最终的Series。
out = pd.Series(extracted_values, index=sr.index)
完整代码示例：
# 方法一：利用 factorize 和 reindexa_i, idx = pd.factorize(sr)a_c, col = pd.factorize(sr.index)out_factorize = pd.Series(df.reindex(index=idx, columns=col).to_numpy()[a_i, a_c], index=sr.index)print("n方法一结果 (factorize):n", out_factorize)
输出：
方法一结果 (factorize): a 5c 12b 16dtype: int64
方法二：利用 merge 进行数据融合
另一种方法是利用Pandas的merge操作。这种方法通常在数据转换和重塑时非常有用，但可能比factorize方法稍微复杂一些。
步骤详解：
重塑 sr：将sr转换为一个DataFrame，使其索引成为一个常规列，方便后续合并。
sr_df = sr.reset_index() # 结果是 DataFrame: 'index' | 0 # 'a' | 1 # 'c' | 2 # 'b' | 3
重塑 df：将df堆叠（stack）成一个Series，其索引将是多级索引 (行索引, 列标签)。然后给这个Series命名，方便后续合并。
df_stacked = df.stack().rename('out')# df_stacked 的索引格式为 (行索引, 列标签)# 例如：(0, 'a') -> 0, (0, 'b') -> 1, ...
执行合并操作：将sr_df与df_stacked进行合并。
left_on=[0, ‘index’]: sr_df的0列（原sr的值，即DataFrame的行索引）和’index’列（原sr的索引，即DataFrame的列标签）作为合并键。right_index=True: df_stacked的索引（多级索引 (行索引, 列标签)）作为合并键。how=’left’: 左合并，保留sr_df的所有记录。
merged_df = sr_df.merge(df_stacked, left_on=[0, 'index'], right_index=True, how='left')
整理结果：合并后的DataFrame包含原始sr的信息以及从df中提取的值。我们需要将其整理回原始sr的索引和结构。
out_merge = merged_df.set_index('index')['out']
完整代码示例：
# 方法二：利用 mergeout_merge = (sr.reset_index() .merge(df.stack().rename('out'), left_on=[0, 'index'], right_index=True, how='left') .set_index('index')['out'] )print("n方法二结果 (merge):n", out_merge)
输出：
方法二结果 (merge): indexa 5c 12b 16Name: out, dtype: int64
请注意，merge方法的结果Series的name可能会有所不同，但内容是相同的。
注意事项
sr 索引重复的处理：上述两种向量化方法在处理sr的索引存在重复时，与原始的迭代循环行为可能不同。如果sr的索引有重复，例如 sr = pd.Series({‘a’: 1, ‘c’: 2, ‘b’: 3, ‘a’: 4})，原始循环会取最后一个’a’对应的值（df.loc[4, ‘a’]）。而factorize方法会根据sr的顺序处理，merge方法则可能返回多个匹配项。如果需要模拟原始循环“取最后一个”的行为，应在执行向量化操作前对sr进行预处理，例如：
# 如果 sr 的索引可能重复，且希望保留最后一个匹配项sr_cleaned = sr[~sr.index.duplicated(keep='last')]# 然后将 sr_cleaned 代替 sr 用于上述方法
这会确保每个唯一的sr索引只对应一个值。
性能考量：通常情况下，factorize结合reindex和NumPy索引的方法在性能上会优于merge方法，尤其是在处理大规模数据时，因为它更直接地利用了底层数组操作。merge方法涉及更多的数据重塑和哈希表查找，开销相对较大。
总结
本文介绍了两种在Pandas DataFrame中高效、向量化地选取特定元素的方法，以替代低效的循环迭代。factorize结合reindex和NumPy二维索引的方法，通过将标签转换为整数位置，实现了极高的查找效率。而merge方法则通过数据重塑和融合，提供了一种更具通用性的解决方案。在实际应用中，根据数据规模和对性能的要求，可以选择最适合的方法。同时，对于sr中可能存在的索引重复问题，也提供了相应的预处理建议，以确保结果的准确性。掌握这些向量化技巧，对于提升Pandas数据处理的效率至关重要。
以上就是高效选取Pandas DataFrame特定元素的向量化方法的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/592771.html
微信扫一扫 
支付宝扫一扫 
