快速获取pandas数据帧中每列的前k个元素的索引

Question

我有一个非常大的熊猫数据框,大约有500,000列.每列长约500个元素.对于每列,我需要检索列中top-k元素的(索引,列)位置.

所以,如果k等于2,这就是我的数据框:

  A  B  C  D
w 4  8  10 2
x 5  1  1  6 
y 9  22 25 7 
z 15 5  7  2

我想回来:

[(A,y),(A,z),(B,w),(B,y),(C,w),(C,y),(D,x),(D,y)]

请记住,我有大约500,000列,所以速度是我的主要关注点.有没有合理的方法可以在我的机器上花费整整一周的时间？什么是最快的方式 - 即使它足够快我的数据量？

谢谢您的帮助!

Answer 1

Pandas有一个高效的nlargest操作,你可以使用比完全排序更快的操作.在500,000列中应用仍需要一段时间.

In [1]: df = pd.DataFrame(data=np.random.randint(0, 100, (200, 500000)), 
                          columns=range(500000), index=range(200))

In [2]: %time np.array([df[c].nlargest(2).index.values for c in df])
Wall time: 2min 57s
Out[2]: 
array([[171,   1],
       [ 42,  78],

正如@EdChum所指出的,你可能不希望存储为元组,使用两个数组或其他策略会更有效率.

Answer 2

我认为numpy对此有一个很好的解决方案，它很快，您可以根据需要格式化输出。

In [2]: df = pd.DataFrame(data=np.random.randint(0, 1000, (200, 500000)), 
                      columns=range(500000), index=range(200))

In [3]: def top_k(x,k):
             ind=np.argpartition(x,-1*k)[-1*k:]
             return ind[np.argsort(x[ind])]

In [69]: %time np.apply_along_axis(lambda x: top_k(x,2),0,df.as_matrix())
CPU times: user 5.91 s, sys: 40.7 ms, total: 5.95 s
Wall time: 6 s

Out[69]:
array([[ 14,  54],
       [178, 141],
       [ 49, 111],
       ...,
       [ 24, 122],
       [ 55,  89],
       [  9, 175]])

与pandas解决方案相比（这是更干净的IMO，但我们在这里追求速度）的速度相当快：

In [41]: %time np.array([df[c].nlargest(2).index.values for c in df])
CPU times: user 3min 43s, sys: 6.58 s, total: 3min 49s
Wall time: 4min 8s

Out[41]:
array([[ 54,  14],
       [141, 178],
       [111,  49],
       ...,
       [122,  24],
       [ 89,  55],
       [175,   9]])

列表彼此相反（您可以通过反转numpy版本中的排序来轻松解决此问题）

请注意，在该示例中，由于随机生成int，我们可能有多个k相等且等于max的值，因此在所有方法中返回的索引可能不一致，但是所有方法都会产生有效的结果（您将获得k与int 中的最大值匹配的索引柱）