Pandas案例精进 | 结构化数据非等值范围查找 ③

Aidan075
• 阅读 897

Pandas案例精进 | 结构化数据非等值范围查找 ③

大家好,我是小五🐶

欢迎来到👉「Pandas案例精进」专栏!前文回顾:

Pandas案例精进 | 结构化数据非等值范围查找 ①

Pandas案例精进 | 结构化数据非等值范围查找 ②

本文是承接前两篇的实战案例,没看过的小伙伴建议先点击👆上方链接查看前文

前两篇文章就已经解决了问题,考虑到上述区间查找其实是一个顺序查找的问题,所以我们可以使用二分查找进一步优化减少查找次数。

当然二分查找对于这种2位数级别的区间个数查找优化不明显,但是当区间增加到万级别,几十万的级别时,那个查找效率一下子就体现出来了,大概就是几万次查找和几次查找的区别。

字典查找+二分查找高效匹配

本次优化,主要通过字典查询大幅度加快了查询的效率,几乎实现了将非等值连接转换为等值连接。

首先读取数据:

import pandas as pd  

product = pd.read_excel('sample.xlsx', sheet_name='A')  
cost = pd.read_excel('sample.xlsx', sheet_name='B')  
cost.head()  

Pandas案例精进 | 结构化数据非等值范围查找 ③

下面计划将价格表直接转换为能根据地区代码和索引快速查找价格的字典。

先取出区间范围列表,用于索引位置查找:

price_range = cost.columns[2:].str.split("~").str[1].astype("float").tolist()  
price_range  

结果:

[0.5, 1.0, 2.0, 3.0, 4.0, 5.0, 7.0, 10.0, 15.0, 100000.0]  

下面将测试二分查找的效果:

import bisect  
import numpy as np  

for a in np.linspace(0.5, 5, 10):  
    idx = bisect.bisect_left(price_range, a)  
    print(a, idx)  

结果:

0.5 0  
1.0 1  
1.5 2  
2.0 2  
2.5 3  
3.0 3  
3.5 4  
4.0 4  
4.5 5  
5.0 5  

可以打印索引列表方便对比:

print(*enumerate(price_range))  

结果:

(0, 0.5) (1, 1.0) (2, 2.0) (3, 3.0) (4, 4.0) (5, 5.0) (6, 7.0) (7, 10.0) (8, 15.0) (9, 100000.0)  

经过对比可以看到,二分查找可以正确的找到一个指定的重量在重量区间的索引位置。

于是我们可以构建地区代码和索引位置作联合主键快速查找价格的字典:

cost_dict = {}  
for area_id, area, *prices in cost.values:  
    for idx, price in enumerate(prices):  
        cost_dict[(area_id, idx)] = area, price  

然后就可以批量查找对应的运费了:

result = []  
for product_id, area_id, weight in product.values:  
    idx = bisect.bisect_left(price_range, weight)  
    area, price = cost_dict[(area_id, idx)]  
    result.append((product_id, area_id, area, weight, price))  
result = pd.DataFrame(result, columns=["产品ID", "地区代码", "地区缩写", "重量(kg)", "价格"])  
result  

Pandas案例精进 | 结构化数据非等值范围查找 ③

字典查找+二分查找高效匹配的完整代码:

import pandas as pd  
import bisect  

product = pd.read_excel('sample.xlsx', sheet_name='A')  
cost = pd.read_excel('sample.xlsx', sheet_name='B')  
price_range = cost.columns[2:].str.split("~").str[1].astype("float").tolist()  
cost_dict = {}  
for area_id, area, *prices in cost.values:  
    for idx, price in enumerate(prices):  
        cost_dict[(area_id, idx)] = area, price  
result = []  
for product_id, area_id, weight in product.values:  
    idx = bisect.bisect_left(price_range, weight)  
    area, price = cost_dict[(area_id, idx)]  
    result.append((product_id, area_id, area, weight, price))  
result = pd.DataFrame(result, columns=["产品ID", "地区代码", "地区缩写", "重量(kg)", "价格"])  
result  

两种算法的性能对比

Pandas案例精进 | 结构化数据非等值范围查找 ③

可以看到即使如此小的数据量下依然存在几十倍的性能差异,将来更大的数量量时,性能差异会更大。

将非等值连接转换为等值连接

基于以上测试,我们可以将非等值连接转换为等值连接直接连接出结果,完整代码如下:

import pandas as pd  
import bisect  

product = pd.read_excel('sample.xlsx', sheet_name='A')  
cost = pd.read_excel('sample.xlsx', sheet_name='B')  
price_range = cost.columns[2:].str.split("~").str[1].astype("float").tolist()  
cost.columns = ["地区代码", "地区缩写"]+list(range(cost.shape[1]-2))  
cost = cost.melt(id_vars=["地区代码", "地区缩写"],  
                       var_name='idx', value_name='运费')  
product["idx"] = product["重量(kg)"].apply(  
    lambda weight: bisect.bisect_left(price_range, weight))  
result = pd.merge(product, cost, on=['地区代码', 'idx'], how='left')  
result.drop(columns=["idx"], inplace=True)  
result  

Pandas案例精进 | 结构化数据非等值范围查找 ③

该方法的平均耗时为6ms:

Pandas案例精进 | 结构化数据非等值范围查找 ③

欢迎你在下方评论区留言,发表你的看法,给大家分享和互动!

如果大家喜欢我的文章,请动动你的小手,点个赞吧~

Pandas案例精进 | 结构化数据非等值范围查找 ③

本文转转自微信公众号凹凸数据原创[https://mp.weixin.qq.com/s/gMAKutucqkS04Eofp-Qjsg(https://mp.weixin.qq.com/s/gMAKutucqkS04Eofp-Qjsg),可扫描二维码进行关注: Pandas案例精进 | 结构化数据非等值范围查找 ③ 如有侵权,请联系删除。

点赞
收藏
评论区
推荐文章
浅梦一笑 浅梦一笑
4个月前
初学 Python 需要安装哪些软件?超级实用,小白必看!
编程这个东西是真的奇妙。对于懂得的人来说,会觉得这个工具是多么的好用、有趣,而对于小白来说,就如同大山一样。其实这个都可以理解,大家都是这样过来的。那么接下来就说一下python相关的东西吧,并说一下我对编程的理解。本人也是小白一名,如有不对的地方,还请各位大神指出01名词解释:如果在编程方面接触的比较少,那么对于软件这一块,有几个名词一定要了解,比如开发环
blmius blmius
1年前
MySQL:[Err] 1292 - Incorrect datetime value: ‘0000-00-00 00:00:00‘ for column ‘CREATE_TIME‘ at row 1
文章目录问题用navicat导入数据时,报错:原因这是因为当前的MySQL不支持datetime为0的情况。解决修改sql\mode:sql\mode:SQLMode定义了MySQL应支持的SQL语法、数据校验等,这样可以更容易地在不同的环境中使用MySQL。全局s
Wesley13 Wesley13
1年前
Java爬虫之JSoup使用教程
title:Java爬虫之JSoup使用教程date:201812248:00:000800update:201812248:00:000800author:mecover:https://imgblog.csdnimg.cn/20181224144920712(https://www.oschin
Stella981 Stella981
1年前
KVM调整cpu和内存
一.修改kvm虚拟机的配置1、virsheditcentos7找到“memory”和“vcpu”标签,将<namecentos7</name<uuid2220a6d1a36a4fbb8523e078b3dfe795</uuid
Wesley13 Wesley13
1年前
4cast
4castpackageloadcsv.KumarAwanish发布:2020122117:43:04.501348作者:KumarAwanish作者邮箱:awanish00@gmail.com首页:
Wesley13 Wesley13
1年前
Java日期时间API系列36
  十二时辰,古代劳动人民把一昼夜划分成十二个时段,每一个时段叫一个时辰。二十四小时和十二时辰对照表:时辰时间24时制子时深夜11:00凌晨01:0023:0001:00丑时上午01:00上午03:0001:0003:00寅时上午03:00上午0
Wesley13 Wesley13
1年前
MySQL查询按照指定规则排序
1.按照指定(单个)字段排序selectfromtable_nameorderiddesc;2.按照指定(多个)字段排序selectfromtable_nameorderiddesc,statusdesc;3.按照指定字段和规则排序selec
Stella981 Stella981
1年前
Angular material mat
IconIconNamematiconcode_add\_comment_addcommenticon<maticonadd\_comment</maticon_attach\_file_attachfileicon<maticonattach\_file</maticon_attach\
Wesley13 Wesley13
1年前
PHP中的NOW()函数
是否有一个PHP函数以与MySQL函数NOW()相同的格式返回日期和时间?我知道如何使用date()做到这一点,但是我问是否有一个仅用于此的函数。例如,返回:2009120100:00:001楼使用此功能:functiongetDatetimeNow(){
Wesley13 Wesley13
1年前
MySQL部分从库上面因为大量的临时表tmp_table造成慢查询
背景描述Time:20190124T00:08:14.70572408:00User@Host:@Id:Schema:sentrymetaLast_errno:0Killed:0Query_time:0.315758Lock_
helloworld_34035044 helloworld_34035044
6个月前
皕杰报表之UUID
​在我们用皕杰报表工具设计填报报表时,如何在新增行里自动增加id呢?能新增整数排序id吗?目前可以在新增行里自动增加id,但只能用uuid函数增加UUID编码,不能新增整数排序id。uuid函数说明:获取一个UUID,可以在填报表中用来创建数据ID语法:uuid()或uuid(sep)参数说明:sep布尔值,生成的uuid中是否包含分隔符'',缺省为