python dataframe函数添加行名称_新的Dataframe列作为其他行（python）的通用函数

小编典典

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。

2021-01-20