在另一个 DataFrame 中搜索一个 DataFrame 中的值

Question

警告：您即将看到非常。非常糟糕的代码。我知道，只是不知道如何解决。我已经尝试了几种替代方案，但我缺乏 Pandas （或 numpy - 也许这是一个更好的替代方案）的经验。你被警告了！

我有两个数据帧，我需要从数据帧二中存在的数据帧一中查找匹配信息。我来给你展示：

# DataFrame 1
d1 = {'name': ['John Doe', 'Jane Doe'], 
'email': ['john@example.com', 'jane@example.com'], 
'phone': ['15181111111', '15182222222']}

df1 = pd.DataFrame(data=d1)
###
# DataFrame 2
d2 = {'name': ['Fred Flinstone', 'Barney Rubble', 'Betty Rubble'], 
'email': ['john@example.com', 'barney@example.com', 'betty@example.com'], 
'Mobile': ['15183333333', '15182222222', '15184444444'], 
'LandLine': ['15181111111', '15182222222', '15185555555']}

df2 = pd.DataFrame(data=d2)

所以我的目标是找到哪些行与（电子邮件、电话）df2中可用数据的每部分（但名称）相匹配df1。当找到匹配项时，我需要保留两个数据帧中所有数据的记录。

现在，开始咬指甲，深呼吸，看看我正在做的耻辱。它确实有效，但您很快就会意识到问题是什么：

# Empty dataframe to store matches
df_found = pd.DataFrame(columns=['df1 Name', 'df1 email', 'df1 phone', 'df2 name', 'df2 email', 'df2 mobile', 'df2 landline'])

# Search for matches
for row_df1 in df1.itertuples():
    tmp_df = df2[df2['email'].str.contains(row_df1.email, na=False, case=False)]
    if(len(tmp_df) > 0):
        for row_df2 in tmp_df.itertuples():
            df_found.loc[len(df_found)] = [row_df1.name, row_df1.email, row_df1.phone, row_df2.name, row_df2.email, row_df2.Mobile, row_df2.LandLine]
    
    tmp_df = df2[df2['Mobile'].str.contains(row_df1.phone, na=False, case=False)]
    if(len(tmp_df) > 0):
        for row_df2 in tmp_df.itertuples():
            df_found.loc[len(df_found)] = [row_df1.name, row_df1.email, row_df1.phone, row_df2.name, row_df2.email, row_df2.Mobile, row_df2.LandLine]
    
    tmp_df = df2[df2['LandLine'].str.contains(row_df1.phone, na=False, case=False)]
    if(len(tmp_df) > 0):
        for row_df2 in tmp_df.itertuples():
            df_found.loc[len(df_found)] = [row_df1.name, row_df1.email, row_df1.phone, row_df2.name, row_df2.email, row_df2.Mobile, row_df2.LandLine]

#Drop duplicates - Yes of course there are many
df_found.drop_duplicates(keep='first',inplace=True)

就这样，我在循环内有一系列循环，每个循环都遍历相同的数据并增加临时数据帧和火柴持有者数据帧。

最后我得到了结果：

但速度却太可怕了。我的真实数据框第一列有 29 列，第二列有 55 列。第一个大约有 10 万条记录，第二个大约有 50 万条记录。目前，在我的 i7（没有 GPU 和 16GB RAM）中，这个过程大约需要四个小时。

如果您已经能够呼吸并且不再用头撞墙，我会很感激一些关于如何正确做到这一点的想法。

非常感谢！

Answer 1

O(n^2) 次操作

向数据帧添加一行需要复制整个数据帧 - 因此一次一行构建数据帧是一个 O(n^2) 操作，而且非常慢。此外，Series.str.contains 需要检查每个字符串值是否包含。由于您要将每一行与其他每一行进行比较，因此这也是一个 O(n^2) 操作。

一般来说，Pandas 中的单行操作表明代码非常慢。

用 merge 替换 for 循环

您可以执行 SQL 样式的联接来执行您在此处尝试执行的操作。

email_merge = df1.merge(df2, on=["email"], suffixes=("", "_right"))
mobile_merge = df1.merge(df2, left_on=["phone"], right_on=["Mobile"], suffixes=("", "_right"))
landline_merge = df1.merge(df2, left_on=["phone"], right_on=["LandLine"], suffixes=("", "_right"))

第一行在电子邮件字段之间进行连接。第二个连接针对第一种电话。第三个连接针对第二种电话。顺便说一句，你最终会得到很多重复的东西。

然后，您可以将每个数据帧连接在一起：

print(pd.concat([email_merge, landline_merge, mobile_merge], sort=True))

这给了我以下结果：

      LandLine       Mobile             email         email_right      name      name_right        phone
0  15181111111  15183333333  john@example.com                 NaN  John Doe  Fred Flinstone  15181111111
0  15181111111  15183333333  john@example.com    john@example.com  John Doe  Fred Flinstone  15181111111
1  15182222222  15182222222  jane@example.com  barney@example.com  Jane Doe   Barney Rubble  15182222222
0  15182222222  15182222222  jane@example.com  barney@example.com  Jane Doe   Barney Rubble  15182222222