编写函数来计算panda中的行元素的最佳方法是什么？

Question

我有一个基本表，如：

col1是一列独立的值，col2是基于国家和类型组合的聚合。我想用以下逻辑计算列col3到col5：

1. col3：col1中的一个元素与col1总数的比值
2. col4：col1中的一个元素与col2中相应元素的比值
3. col5:col3和col4中行元素乘积的自然指数

为了实现这一点，我编写了如下函数：

def calculate(df):
  for i in range(len(df)):
    df['col3'].loc[i] = df['col1'].loc[i]/sum(df['col1'])
    df['col4'].loc[i] = df['col1'].loc[i]/df['col2'].loc[i]
    df['col5'].loc[i] = np.exp(df['col3'].loc[i]*df['col4'].loc[i])
  return df

此函数将执行，并给出预期的结果，但笔记本也会抛出一个警告：

SettingWithCopyWarning:

A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy

我不确定我在这里写的是不是最好的函数。任何帮助都将不胜感激！谢谢。你知道吗

Answer 1

目标是使用pandas进行矢量化计算。循环计算是可能的，但效率很低，因为它们不是用连续的数字数组处理的。你知道吗

col3:col1中的元素与col1总数的比率

df['col3'] = df['col1'] / df['col1'].sum()

col4:col1中的元素与col2中相应元素的比值

df['col4'] = df['col1'] / df['col2']

col5:col3和col4中行元素乘积的自然指数

df['col5'] = np.exp(df['col3'] * df['col4'])

Answer 2

我认为熊猫中的apply和loop是最好避免的，所以更好更快的是使用vewctorized解决方案：

df = pd.DataFrame({'col1':[4,5,4,5,5,4],
                   'col2':[7,8,9,4,2,3],
                   'col3':[1,3,5,7,1,0],
                   'col4':[5,3,6,9,2,4],
                   'col5':[1,4,3,4,0,4]})

print (df)
   col1  col2  col3  col4  col5
0     4     7     1     5     1
1     5     8     3     3     4
2     4     9     5     6     3
3     5     4     7     9     4
4     5     2     1     2     0
5     4     3     0     4     4

df['col3'] = df['col1']/(df['col1']).sum()
df['col4'] = df['col1']/df['col2']
df['col5'] = np.exp(df['col3']*df['col4'])
print (df)
   col1  col2      col3      col4      col5
0     4     7  0.148148  0.571429  1.088343
1     5     8  0.185185  0.625000  1.122705
2     4     9  0.148148  0.444444  1.068060
3     5     4  0.185185  1.250000  1.260466
4     5     2  0.185185  2.500000  1.588774
5     4     3  0.148148  1.333333  1.218391

时间安排：

df = pd.DataFrame({'col1':[4,5,4,5,5,4],
                   'col2':[7,8,9,4,2,3],
                   'col3':[1,3,5,7,1,0],
                   'col4':[5,3,6,9,2,4],
                   'col5':[1,4,3,4,0,4]})

#print (df)

#6000 rows
df = pd.concat([df] * 1000, ignore_index=True)

In [211]: %%timeit
     ...: df['col3'] = df['col1']/(df['col1']).sum()
     ...: df['col4'] = df['col1']/df['col2']
     ...: df['col5'] = np.exp(df['col3']*df['col4'])
     ...: 
1.49 ms ± 104 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

不幸的是，这个示例的循环解决方案非常慢，因此仅在60 rows数据帧中测试：

#60 rows
df = pd.concat([df] * 10, ignore_index=True)

In [3]: %%timeit
   ...: (calculate(df))
   ...: 
C:\Anaconda3\lib\site-packages\pandas\core\indexing.py:194: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
  self._setitem_with_indexer(indexer, value)
10.2 s ± 410 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)