从数据框架中有效地提取数据子集

Question

我有6个数据帧（Patients，Test1，Test2，Test3，Test4，Test5）通过ID键链接。你知道吗

“患者”数据框中的每一行表示一个包含唯一ID的患者，每行有200000多名患者。你知道吗

测试数据帧中的每一行表示一天的测试结果。测试数据帧的列有ID、DATE、Test\u UNIT和Test\u RESULT。每个测试数据帧包含6000000到7000000行。你知道吗

我想循环遍历Patients数据帧中的所有ID，并在每次迭代中使用ID从5个测试数据帧中的每一个提取相关的测试数据，并对它们进行一些处理。你知道吗

如果我这样做了

for i in range(len(Patients)):
    ind_id = Patients.ID.iloc[i]
    ind_test1 = Test1[Test1['ID'] == ind_id]
    ind_test2 = Test2[Test2['ID'] == ind_id]
    ind_test3 = Test3[Test3['ID'] == ind_id]
    ind_test4 = Test4[Test4['ID'] == ind_id]
    ind_test3 = Test5[Test5['ID'] == ind_id]

每次迭代大约需要3.6秒。你知道吗

当我尝试使用Numpy接口来加速它时。你知道吗

Patients_v = Patients.values
Test1_v = Test1.values
Test2_v = Test2.values
Test3_v = Test3.values
Test4_v = Test4.values
Test5_v = Test5.values

for i in range(len(Patients_v)): 
    ind_id = Patients_v[i, ID_idx]
    ind_test1 = Test1_v[Test1_v[:, 0] == ind_id]
    ind_test2 = Test2_v[Test2_v[:, 0] == ind_id] 
    ind_test3 = Test3_v[Test3_v[:, 0] == ind_id] 
    ind_test4 = Test4_v[Test4_v[:, 0] == ind_id] 
    ind_test5 = Test5_v[Test5_v[:, 0] == ind_id]  

每次迭代大约需要0.9秒。你知道吗

我怎样才能加快速度？你知道吗

谢谢

Answer 1

目前还不清楚你想要什么样的产出。我们只能假设您需要特定于患者的数据帧。你知道吗

在任何情况下，当前代码都必须在内存中保存所有数据帧。这是低效的。例如，看看generator functions：

<强>1。创建所有ID的列表

ALL_IDS = Patients.IDs.tolist()                        # Assuming all you need is the ID

<强>2。创建主数据帧

ALL_DFS = [Test1, Test2, Test3, Test4, Test5]
df_master = pd.concat(ALL_DFS)

3岁。创建生成器函数，生成特定于患者的数据帧以供进一步处理

def patient_slices(ALL_IDS):                           # Generator
    for ID in ALL_IDS:
        df_slice = df_master[df_master.ID == ID]
        yield df_slice

df_slice = patient_slices(ALL_IDS)                      
for _ in xrange(len(ALL_IDS)):                         # Call the generator n times
    sinlge_patient = next(df_slice)                    # Next patient for every call    
    your_processing(sinlge_patient)                    # Do your magic