高效地选择与Pandas DataFrame[重复]中的多个值之一匹配的行

Question

给定Pandas DataFrame中的数据，如下所示：

Name     Amount
---------------
Alice       100
Bob          50
Charlie     200
Alice        30
Charlie      10

我想选择名称是集合中多个值之一的所有行{Alice，Bob}

Name     Amount
---------------
Alice       100
Bob          50
Alice        30

在熊猫中，什么是有效的方法？

我看到的选项

>

merge(df[df.name = specific_name] for specific_name in names) # something like this

执行某种联接

这里的性能权衡是什么？什么时候一种解决方案比其他解决方案更好？我错过了什么解决方案？

虽然上面的示例使用字符串，但我的实际作业在数百万行上使用10-100个整数的匹配，因此快速NumPy操作可能是相关的。

Answer 1

由于在您的实际用例中，df['Name']中的值是int，因此您可以使用NumPy索引而不是Series.isin更快地生成布尔掩码。

idx = np.zeros(N, dtype='bool')
idx[names] = True
df[idx[df['Name'].values]]

例如，给定此设置：

import pandas as pd
import numpy as np

N = 100000
df = pd.DataFrame(np.random.randint(N, size=(10**6, 2)), columns=['Name', 'Amount'])
names = np.random.choice(np.arange(N), size=100, replace=False)

In [81]: %timeit idx = np.zeros(N, dtype='bool'); idx[names] = True; df[idx[df['Name'].values]]
100 loops, best of 3: 9.88 ms per loop

In [82]: %timeit df[df.Name.isin(names)]
10 loops, best of 3: 107 ms per loop

In [83]: 107/9.88
Out[83]: 10.82995951417004

N是（本质上）df['Names]可以达到的最大值。如果N较小，则速度效益没有那么大。当N=200时，

In [93]: %timeit idx = np.zeros(N, dtype='bool'); idx[names] = True; df[idx[df['Name'].values]]
10 loops, best of 3: 62.6 ms per loop

In [94]: %timeit df[df.Name.isin(names)]
10 loops, best of 3: 178 ms per loop

In [95]: 178/62.6
Out[95]: 2.8434504792332267

注意：如上所示，似乎有速度优势，尤其是当N变得很大时。但是，如果N太大，则形成idx=np。零（N，dtype='bool'）可能不可行。

卫生检查：

expected = df[df.Name.isin(names)]
idx = np.zeros(N, dtype='bool')
idx[names] = True
result = df[idx[df['Name'].values]]
assert expected.equals(result)

Answer 2

您可以使用isin系列方法：

In [11]: df['Name'].isin(['Alice', 'Bob'])
Out[11]: 
0     True
1     True
2    False
3     True
4    False
Name: Name, dtype: bool

In [12]: df[df.Name.isin(['Alice', 'Bob'])]
Out[12]: 
    Name  Amount
0  Alice     100
1    Bob      50
3  Alice      30