Pandas案例精进 | 结构化数据非等值范围查找 ③

Aidan075 等级 549 0 0

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。

收藏
评论区

相关推荐

Pandas案例精进 | 续集:自动分割汇总表写入到子表
(https://imghelloworld.osscnbeijing.aliyuncs.com/0d046e77f6ee65ce132919966585165a.png) 大家好! 欢迎来到「Pandas案例精进」专栏(https://mp.weixin.qq.com/mp/appmsgalbum?__bizMzU5Nzg5OD
Pandas案例精进 | 自动分割汇总表写入到子表
(https://imghelloworld.osscnbeijing.aliyuncs.com/f5b70d401be96176067dfe8304143ead.png) 大家好! 欢迎来到「Pandas案例精进」专栏 今天分享的是一个之前的案例,里面涉及的方法可能有些过时,但处理思想仍有较高的参考价值。 Pandas案例需求
Pandas统计分析基础(基础篇,新手必看)
Pandas统计分析基础Pandas(Python Data Analysis Library)是基于NumPy的数据分析模块,它提供了大量标准数据模型和高效操作大型数据集所需的工具,可以说Pandas是使得Pyth
Python数据分析实战(2)使用Pandas进行数据分析
一、Pandas的使用 1.Pandas介绍Pandas的主要应用包括: 数据读取 数据集成 透视表 数据聚合与分组运算 分段统计 数据可视化Pandas的使用很灵活,最重要的两个数据类型是DataFrame和Series。对DataFrame最直观的理解是把它当成一个Excel表格文件,如下:索引是从0开始的,也
分享5个高效的pandas函数!
熟练掌握pandas函数都能帮我们在数据分析过程中节省时间。pandas还有很多让人舒适的用法,这次就为大家介绍5个pandas函数!本文来源towardsdatascience,作者Soner Yıldırım,由Python大数据分析编译。1\. explodeexplode用于将一行数据展开成多行。比如说dataframe中某一行其中一个元素包含多个同
总结了pandas提取数据的15种方法,统统只需1行代码,真香!
pandas是python数据分析必备工具,它有强大的数据清洗能力,往往能用非常少的代码实现较复杂的数据处理今天,鸟哥总结了pandas筛选数据的15个常用技巧,主要包括5个知识点:1.比较运算:、<、、、<、!2.范围运算:between(left,right)3.字符筛选:str.contains(pattern或字符串,naFalse)4.逻辑运算:&
Pandas专家总结:指定样式保存excel数据的 “N种” 姿势!
作者:小小明 简介:Pandas数据处理专家,10余年编码经验,至今已帮助过百名以上数据从业人员解决工作实际遇到的问题,其中数据处理和办公自动化问题涉及的行业包括会计、审计、HR、气象工作人员、教师、律师、运营,以及各行业的数据分析师和专做数据分析案例的公众号号主。 若你在数据处理的问题上遇到什么困难,欢迎与我交流。目录 准备数据
14个pandas神操作,手把手教你写代码
「数仓宝贝库」,带你学数据!导读: Pandas是Python数据分析的利器,也是各种数据建模的标准工具。本文带大家入门Pandas,将介绍Python语言、Python数据生态和Pandas的一些基本功能。 在Python语言应用生态中,数据科学领域近年来十分热门。作为数据科学中一个非常基础的库,Pandas受到了广泛关注。Pandas可以将现实中来
14个pandas神操作,手把手教你写代码
「数仓宝贝库」,带你学数据!导读:Pandas是Python数据分析的利器,也是各种数据建模的标准工具。本文带大家入门Pandas,将介绍Python语言、Python数据生态和Pandas的一些基本功能。 在Python语言应用生态中,数据科学领域近年来十分热门。作为数据科学中一个非常基础的库,Pandas受到了广泛关注。Pandas可以将现实中来源
DataFrame与shp文件相互转换
因为习惯了使用pandas的DataFrame数据结构,同时pandas作为一个方便计算和表操作的数据结构具有十分显著的优势,甚至很多时候dataFrame可以作为excel在使用,而在用python操作gis的shp文件时很不顺畅,不太符合使用习惯,故写了一个DataFrame与arcgis地理文件相互转换的函数,这个处理起来可以节约大量的思考时间。 S
Panda处理文本和时序数据?首选向量化
导读 Pandas作为Python数据分析的首选框架,不仅功能强大接口丰富,而且执行效率也相比原生Python要快的多,这是得益于Pandas底层由C实现,同时其向量化执行方式也非常利于并行计算。更重要的是,这种向量化操作不仅适用于数值计算,对于文本和时间格式也有着良好的支持,而这就不得不从Pandas的属性接口谈起。 [**腾讯课堂 |
Python 数据分析包:pandas 基础
pandas 是基于 Numpy 构建的含有更高级数据结构和工具的数据分析包 类似于 Numpy 的核心是 ndarray,pandas 也是围绕着 Series 和 DataFrame 两个核心数据结构展开的 。Series 和 DataFrame 分别对应于一维的序列和二维的表结构。pandas 约定俗成的导入方法如下: lang:pytho
Python在网页上展示表格的简单方法
![](https://oscimg.oschina.net/oscnet/22596eed-3e2a-4708-acc1-bc8a22f8588d.jpg) * Python是当今最热门的编程语言 * Pandas是Python下最热门的数据处理与数据分析的库 * Flask是Python下方便简洁的Web开发框架
Python实现数据分析(四)
Pandas ------ **关键词: 数据分析库** **官网**:[https://pandas.pydata.org/](https://www.oschina.net/action/GoToLink?url=https%3A%2F%2Fpandas.pydata.org%2F) **介绍(选自-百度百科)**: pandas 是基于NumP
Python编码格式导致的csv读取错误
Python编码格式导致的csv读取错误(pandas.read\_csv) ====================================== 本文记录python小白我今天遇到的这两个问题(csv.reader和pandas.csv\_read): * pandas模块“CParserError: Error tokenizing da