熊猫在索引上的切片与对列的切片性能

Question

我有一个相当大的 Pandas 数据帧(30M 行(，我需要一遍又一遍地切片，所以性能至关重要。切片需要对一列的值和另一列中的值列表进行。我尝试了两种不同的方法，可以用以下示例进行说明：

import numpy as np
import pandas as pd
df = pd.DataFrame(
    np.random.randint(1,1000,(10000000,4)),
    columns=['A','B','C','D']
).set_index(['A','B'])
# The values I'm looking for
index_a = np.random.randint(1,1000)  # One value
index_b = np.random.randint(1,1000,150)  # A list of values
# Slicing over the multi-index
idx = pd.IndexSlice
%timeit df.loc[idx[index_a, list(index_b)], :]
# Slicing over column values
df1 = df.reset_index()
%timeit df1.loc[(df1.A == index_a) & (df1.B.isin(index_b))]

在我的机器上，两种情况的性能确实不同：

对索引进行切片：

每环 3.92 秒± 111 毫秒(平均 7 次运行的标准±，每次 1 次循环(

对列进行切片：

每环 2.15 秒± 77.1 毫秒(7 次运行的平均标准±差，每次 1 次循环(

对

多索引进行切片比对列进行切片要慢得多。

这是预期的行为吗？有没有办法优化切片过程？

谢谢

Answer 1

我最终解决了将数据分组到其中一个索引中的问题，这使切片的速度提高了 10 倍以上。例：

df_g = df.groupby(by='A')
def slice_it(ia, ib):
    tg = df_g.get_group(ia)
    return tg.loc[tg.B.isin(index_b)]
%timeit slice_it(index_a, index_b)