新的Dataframe列作为其他行（pandas）的通用函数

Question

在中创建 DataFrame 其他列中 最快的列的最快（最有效）方法是pandas 什么？

考虑以下示例：

import pandas as pd

d = {
    'id': [1, 2, 3, 4, 5, 6],
    'word': ['cat', 'hat', 'hag', 'hog', 'dog', 'elephant']
}
pandas_df = pd.DataFrame(d)

产生：

   id word
0   1  cat
1   2  hat
2   3  hag
3   4  hog
4   5  dog
5   6  elephant

假设我想创建一个新列bar，该列包含一个值，该值基于使用函数foo将当前行中的单词与中的其他行进行比较的输出而得出dataframe。

def foo(word1, word2):
    # do some calculation
    return foobar  # in this example, the return type is numeric

threshold = some_threshold

for index, _id, word in pandas_df.itertuples():
    value = sum(
        pandas_df[pandas_df['word'] != word].apply(
            lambda x: foo(x['word'], word),
            axis=1
        ) < threshold
    )
    pandas_df.loc[index, 'bar'] = value

这的确产生了正确的输出，但是它使用了itertuples()and apply()，这对于large而言并不是很有效DataFrames。

有没有一种方法可以矢量化（正确的术语？）这种方法？还是有另一种更好（更快）的方法来做到这一点？

注释/更新：

在原始帖子中，我使用了“编辑距离/左手脚距”作为foo函数。我改变了这个问题，试图变得更通用。想法是要应用的功能是将当前行的值与所有其他行进行比较，并返回一些汇总值。
如果foowasnltk.metrics.distance.edit_distance和thethreshold被设置为2（如原始文章中所示），则会产生以下输出：

   id word        bar
0   1  cat        1.0
1   2  hat        2.0
2   3  hag        2.0
3   4  hog        2.0
4   5  dog        1.0
5   6  elephant   0.0

我也有同样的问题的spark dataframes为好。我认为将这些分成两个职位是很有意义的，因此它们的范围不太广。但是，我通常发现，pandas有时可以修改类似问题的解决方案以使其适用spark。

灵感来自这个答案我的spark版本这个问题，我试图用一个笛卡尔积在pandas。我的速度测试表明速度稍快（尽管我怀疑这可能随数据大小而变化）。不幸的是，我仍然无法拨通电话apply()。

示例代码：

from nltk.metrics.distance import edit_distance as edit_dist

pandas_df2 = pd.DataFrame(d)

i, j = np.where(np.ones((len(pandas_df2), len(pandas_df2))))
cart = pandas_df2.iloc[i].reset_index(drop=True).join(
    pandas_df2.iloc[j].reset_index(drop=True), rsuffix='_r'
)

cart['dist'] = cart.apply(lambda x: edit_dist(x['word'], x['word_r']), axis=1)
pandas_df2 = (
    cart[cart['dist'] < 2].groupby(['id', 'word']).count()['dist'] - 1
).reset_index()

Answer 1

让我们尝试分析一下问题：

如果有N行，则N*N在相似性函数中要考虑“对”。在一般情况下，对所有这些元素进行评估都是无可避免的（听起来很合理，但我无法证明这一点）。因此，您至少具有O（n ^ 2）个时间复杂度。

但是，您可以尝试使用时间复杂度恒定的因素。我发现的可能选项是：

1.并行化：
由于您有一些大型的DataFrame，并行处理是最佳的选择。这将使您（几乎）在时间复杂度方面得到线性改善，因此，如果您有16名工作人员，您将获得（几乎）16倍的改进。

例如，我们可以将的行划分df为不相交的部分，并分别处理每个部分，然后合并结果。一个非常基本的并行代码可能看起来像这样：

from multiprocessing import cpu_count,Pool

def work(part):
    """
    Args:
        part (DataFrame) : a part (collection of rows) of the whole DataFrame.

    Returns:
        DataFrame: the same part, with the desired property calculated and added as a new column
    """
     # Note that we are using the original df (pandas_df) as a global variable
     # But changes made in this function will not be global (a side effect of using multiprocessing).
    for index, _id, word in part.itertuples(): # iterate over the "part" tuples
        value = sum(
            pandas_df[pandas_df['word'] != word].apply( # Calculate the desired function using the whole original df
                lambda x: foo(x['word'], word),
                axis=1
            ) < threshold
        )
        part.loc[index, 'bar'] = value
    return part

# New code starts here ...

cores = cpu_count() #Number of CPU cores on your system

data_split = np.array_split(data, cores) # Split the DataFrame into parts
pool = Pool(cores) # Create a new thread pool
new_parts = pool.map(work , data_split) # apply the function `work` to each part, this will give you a list of the new parts
pool.close() # close the pool
pool.join()
new_df = pd.concat(new_parts) # Concatenate the new parts

注意：我试图使代码尽可能接近OP的代码。这只是一个基本的演示代码，并且存在许多更好的替代方法。

2.“低级”优化：
另一个解决方案是尝试优化相似度函数的计算和迭代/映射。与上一个或下一个选项相比，我认为这不会为您带来很大的提速。

3.取决于功能的修剪：
您可以尝试的最后一件事是依赖相似功能的改进。这在一般情况下不起作用，但如果您可以分析相似性函数，则将很好地工作。例如：

假设您使用的是Levenshtein距离（LD），则可以观察到任意两个字符串之间的距离> =长度之间的差。即LD(s1,s2) >= abs(len(s1)-len(s2))。

您可以使用此观察结果来修剪可能的相似对，以进行评估。因此，对于每个字符串长度l1，只有具有长度的字符串比较它l2有abs(l1-l2) <= limit。（限制为所接受的最大相似度，在您提供的示例中为2）。

另一个观察是LD(s1,s2) = LD(s2,s1)。这样可以将对数减少2倍。

该解决方案实际上可能使您陷入O(n)时间复杂性（高度依赖于数据）的问题。
为什么？你可能会问。
这是因为，如果我们有10^9行，但平均而言10^3，每行只有“接近”长度的行，那么我们需要针对约10^9 * 10^3 /2对而不是10^9 * 10^9对来评估函数。但这（再次）取决于数据。如果（在此示例中）您拥有长度均为3的字符串，则此方法将无用。