当我想在数据框中获取最大值时,我总是先对列进行排序,然后调用 .head。
然而,这并不是最好的方法。因为对于sort操作,你需要比较所有值,而你实际上只需要比较一小部分顶部的值。
Polars中的解决方案是使用top_k方法。
它的输出与.sort.head相同,但速度更快,因为它只关心与最大(或最小)值的比较。
在这个简单的例子中,top_k比.sort.head快2倍。
import polars as pl
import numpy as np
# 创建一个随机的 DataFrame
N = 100000
dfNumeric = pl.DataFrame(np.random.standard_normal((N,100)))
# 使用 .sort 和 .head 求最大的前三个数
dfNumeric.select(pl.all().sort(descending=True).head(3))
# 耗时: 180 ms
# 使用 top_k 求最大的前五个数
dfNumeric.select(pl.all().top_k(5))
# 耗时: 90 ms
总的来说,top_k的时间复杂度是O(n * log(k)),而对整个列表进行排序的时间复杂度是O(n * log(n))。
因此,当你想要获取的元素数量与总元素数量之间的差异越大时,使用top_k的效率差异就越大。