我有一个数据帧d
,大约有 100,000,000
行和 3
列。它看起来像这样:
import pandas as pd
In [17]: d = pd.DataFrame({'id': ['a', 'b', 'c', 'd', 'e'], 'val': [1, 2, 3, 4, 5], 'n': [34, 22, 95, 86, 44]})
In [18]: d.set_index(['id', 'val'], inplace = True)
我有另一个值为 id
和 val
的数据帧,我想将其保留在d
中。我想保留大约 600,000 种id
和val
的组合:
In [20]: keep = pd.DataFrame({'id':['a', 'b'], 'val' : [1, 2]})
我通过以下方式尝试过:
In [21]: keep.set_index(['id', 'val'], inplace = True)
In [22]: d.loc[d.index.isin(keep.index), :]
Out [22]:
n
id val
a 1 34
b 2 22
这有效,但看起来很笨重,而且非常慢。这里有更好的方法吗?在大熊猫的多肠杆菌指数上切片的最快方法是什么?
使用 reindex
d.reindex(pd.MultiIndex.from_frame(keep))
Out[151]:
n
id val
a 1 34
b 2 22
loc
获取用于引用MultiIndex
的元组列表
d.loc[[*keep.itertuples(index=False)]]
n
id val
a 1 34
b 2 22
做同样事情的更令人讨厌的方式。(实际上不是建议(
d.loc[[*zip(*map(keep.get, keep))]]
n
id val
a 1 34
b 2 22
优点是少 3 个字符。 你只需要牺牲对正在发生的事情的理解。
使用 loc
对keep
d
进行索引
# d.loc[pd.MultiIndex.from_arrays([keep['id'], keep['val']]))]
d.reindex(pd.MultiIndex.from_arrays([keep['id'], keep['val']])))
n
id val
a 1 34
b 2 22
哪里
pd.MultiIndex.from_arrays([keep['id'], keep['val']])
MultiIndex(levels=[['a', 'b'], [1, 2]],
codes=[[0, 1], [0, 1]],
names=['id', 'val'])
从用于筛选的keep
生成多索引。
另一种选择是尝试与df.merge
合并:
d.merge(keep, left_index=True, right_on=['id', 'val'])
n id val
0 34 a 1
1 22 b 2
d.merge(keep, left_index=True, right_on=['id', 'val']).set_index(['n', 'id'])
val
n id
34 a 1
22 b 2
甚至,
d.join(keep.set_index(['id', 'val']), how='inner')
n
id val
a 1 34
b 2 22