apply函数需要很长时间才能运行

Question

我正在使用大约32.000.000行的数据集：

RangeIndex: 32084542 entries, 0 to 32084541

df.head()


        time                        device      kpi                                 value
0   2020-10-22 00:04:03+00:00       1-xxxx  chassis.routing-engine.0.cpu-idle   100
1   2020-10-22 00:04:06+00:00       2-yyyy  chassis.routing-engine.0.cpu-idle   97
2   2020-10-22 00:04:07+00:00       3-zzzz  chassis.routing-engine.0.cpu-idle   100
3   2020-10-22 00:04:10+00:00       4-dddd  chassis.routing-engine.0.cpu-idle   93
4   2020-10-22 00:04:10+00:00       5-rrrr  chassis.routing-engine.0.cpu-idle   99

我的目标是创建一个名为role的传统列，用regex填充

这是我的方法

def router_role(row):
    if row["device"].startswith("1"):
        row["role"] = '1'
    if row["device"].startswith("2"):
        row["role"] = '2'
    if row["device"].startswith("3"):
        row["role"] = '3'
    if row["device"].startswith("4"):
        row["role"] = '4'
    return row

那么

df = df.apply(router_role,axis=1)

然而这需要很多时间。。。你知道其他可能的方法吗

谢谢

Answer 1

使用apply是出了名的慢，因为它没有利用多线程（例如，请参见pandas multiprocessing apply）。相反，请使用内置的：

>>> import pandas as pd
>>> df = pd.DataFrame([["some-data", "1-xxxx"], ["more-data", "1-yyyy"], ["other-data", "2-xxxx"]])
>>> df
            0       1
0   some-data  1-xxxx
1   more-data  1-yyyy
2  other-data  2-xxxx
>>> df["Derived Column"] = df[1].str.split("-", expand=True)[0]
>>> df
            0       1 Derived Column
0   some-data  1-xxxx              1
1   more-data  1-yyyy              1
2  other-data  2-xxxx              2

在这里，我假设在连字符之前可能有多个数字（例如42-aaaa），因此需要额外的工作来拆分列并获取拆分的第一个值。如果您只是获取第一个字符，请执行@teepee在其答案中所做的操作，只对字符串进行索引

Answer 2

应用程序非常慢，而且从来都不是很好。请尝试以下方法：

df['role'] = df['device'].str[0]

Answer 3

您可以简单地将代码转换为使用np.vectorize()

请看这里： Performance of Pandas apply vs np.vectorize to create new column from existing columns