带有熊猫的高性能笛卡尔积(CROSS JOIN)

新手上路,请多包涵

这篇文章的内容原本是 Pandas Merging 101 的一部分,但由于完全公正地处理这个主题所需的内容的性质和大小,它已被移到它自己的 QnA 中。

给定两个简单的 DataFrame;

 left = pd.DataFrame({'col1' : ['A', 'B', 'C'], 'col2' : [1, 2, 3]})
right = pd.DataFrame({'col1' : ['X', 'Y', 'Z'], 'col2' : [20, 30, 50]})

left

  col1  col2
0    A     1
1    B     2
2    C     3

right

  col1  col2
0    X    20
1    Y    30
2    Z    50

可以计算这些帧的叉积,类似于:

 A       1      X      20
A       1      Y      30
A       1      Z      50
B       2      X      20
B       2      Y      30
B       2      Z      50
C       3      X      20
C       3      Y      30
C       3      Z      50

计算此结果的最有效方法是什么?

原文由 cs95 发布,翻译遵循 CC BY-SA 4.0 许可协议

阅读 922
2 个回答

让我们从建立一个基准开始。解决此问题的最简单方法是使用临时“键”列:

熊猫 <= 1.1.X

 def cartesian_product_basic(left, right):
    return (
       left.assign(key=1).merge(right.assign(key=1), on='key').drop('key', 1))

cartesian_product_basic(left, right)

熊猫 >= 1.2

 left.merge(right, how="cross") # implements the technique above
   col1_x  col2_x col1_y  col2_y
0      A       1      X      20
1      A       1      Y      30
2      A       1      Z      50
3      B       2      X      20
4      B       2      Y      30
5      B       2      Z      50
6      C       3      X      20
7      C       3      Y      30
8      C       3      Z      50

这是如何工作的,两个 DataFrame 都被分配了一个具有相同值(比如 1)的临时“键”列。 merge 然后对“键”执行多对多连接。

虽然多对多 JOIN 技巧适用于大小合理的 DataFrame,但您会发现在处理较大数据时性能相对较低。

更快的实现将需要 NumPy。下面是一些著名 的一维笛卡尔积的 NumPy 实现。我们可以在其中一些高性能解决方案的基础上构建以获得我们想要的输出。然而,我最喜欢的是@senderle 的第一个实现。

 def cartesian_product(*arrays):
    la = len(arrays)
    dtype = np.result_type(*arrays)
    arr = np.empty([len(a) for a in arrays] + [la], dtype=dtype)
    for i, a in enumerate(np.ix_(*arrays)):
        arr[...,i] = a
    return arr.reshape(-1, la)

泛化:在唯一 或非 唯一索引数据帧上交叉连接

免责声明

这些解决方案针对具有非混合标量数据类型的 DataFrame 进行了优化。如果处理混合数据类型,使用风险自负!

这个技巧适用于任何类型的 DataFrame。我们使用前面提到的 cartesian_product 计算数据帧的数字索引的笛卡尔积,用它来重新索引数据帧,并且

def cartesian_product_generalized(left, right):
    la, lb = len(left), len(right)
    idx = cartesian_product(np.ogrid[:la], np.ogrid[:lb])
    return pd.DataFrame(
        np.column_stack([left.values[idx[:,0]], right.values[idx[:,1]]]))

cartesian_product_generalized(left, right)

   0  1  2   3
0  A  1  X  20
1  A  1  Y  30
2  A  1  Z  50
3  B  2  X  20
4  B  2  Y  30
5  B  2  Z  50
6  C  3  X  20
7  C  3  Y  30
8  C  3  Z  50

np.array_equal(cartesian_product_generalized(left, right),
               cartesian_product_basic(left, right))
True

并且,沿着类似的路线,

 left2 = left.copy()
left2.index = ['s1', 's2', 's1']

right2 = right.copy()
right2.index = ['x', 'y', 'y']


left2
   col1  col2
s1    A     1
s2    B     2
s1    C     3

right2
  col1  col2
x    X    20
y    Y    30
y    Z    50

np.array_equal(cartesian_product_generalized(left, right),
               cartesian_product_basic(left2, right2))
True

该解决方案可以推广到多个 DataFrame。例如,

 def cartesian_product_multi(*dfs):
    idx = cartesian_product(*[np.ogrid[:len(df)] for df in dfs])
    return pd.DataFrame(
        np.column_stack([df.values[idx[:,i]] for i,df in enumerate(dfs)]))

cartesian_product_multi(*[left, right, left]).head()

   0  1  2   3  4  5
0  A  1  X  20  A  1
1  A  1  X  20  B  2
2  A  1  X  20  C  3
3  A  1  X  20  D  4
4  A  1  Y  30  A  1

进一步简化

只处理两个 DataFrame 时,不涉及 @senderle 的 cartesian_product 的更简单的解决方案是可能的。使用 np.broadcast_arrays ,我们可以获得几乎相同的性能水平。

 def cartesian_product_simplified(left, right):
    la, lb = len(left), len(right)
    ia2, ib2 = np.broadcast_arrays(*np.ogrid[:la,:lb])

    return pd.DataFrame(
        np.column_stack([left.values[ia2.ravel()], right.values[ib2.ravel()]]))

np.array_equal(cartesian_product_simplified(left, right),
               cartesian_product_basic(left2, right2))
True

性能比较

在一些具有唯一索引的人为设计的 DataFrame 上对这些解决方案进行基准测试,我们有

在此处输入图像描述

请注意,时间可能会根据您的设置、数据和对 cartesian_product 辅助函数的选择而有所不同。

性能基准代码

这是计时脚本。此处调用的所有函数都在上面定义。

 from timeit import timeit
import pandas as pd
import matplotlib.pyplot as plt

res = pd.DataFrame(
       index=['cartesian_product_basic', 'cartesian_product_generalized',
              'cartesian_product_multi', 'cartesian_product_simplified'],
       columns=[1, 10, 50, 100, 200, 300, 400, 500, 600, 800, 1000, 2000],
       dtype=float
)

for f in res.index:
    for c in res.columns:
        # print(f,c)
        left2 = pd.concat([left] * c, ignore_index=True)
        right2 = pd.concat([right] * c, ignore_index=True)
        stmt = '{}(left2, right2)'.format(f)
        setp = 'from __main__ import left2, right2, {}'.format(f)
        res.at[f, c] = timeit(stmt, setp, number=5)

ax = res.div(res.min()).T.plot(loglog=True)
ax.set_xlabel("N");
ax.set_ylabel("time (relative)");

plt.show()


继续阅读

跳转到 Pandas Merging 101 中的其他主题继续学习:

\* 你在这里

原文由 cs95 发布,翻译遵循 CC BY-SA 4.0 许可协议

在熊猫 1.2.0 之后 merge 现在有选项 cross

 left.merge(right, how='cross')

使用 itertools product 并重新创建数据框中的值

import itertools
l=list(itertools.product(left.values.tolist(),right.values.tolist()))
pd.DataFrame(list(map(lambda x : sum(x,[]),l)))
   0  1  2   3
0  A  1  X  20
1  A  1  Y  30
2  A  1  Z  50
3  B  2  X  20
4  B  2  Y  30
5  B  2  Z  50
6  C  3  X  20
7  C  3  Y  30
8  C  3  Z  50

原文由 BENY 发布,翻译遵循 CC BY-SA 4.0 许可协议

撰写回答
你尚未登录,登录后可以
  • 和开发者交流问题的细节
  • 关注并接收问题和回答的更新提醒
  • 参与内容的编辑和改进,让解决方法与时俱进
推荐问题