Каково влияние нестандартных индексов в pandas?

Из документации pandas я собрал эти индексы с уникальным значением, которые делают определенные операции эффективными и что неидеальные индексы иногда переносятся.

Извне, это не похоже, что неуникальные индексы используются каким-либо образом. Например, следующий запрос ix достаточно медленный, чтобы, по-видимому, сканировать весь фрейм данных

In [23]: import numpy as np
In [24]: import pandas as pd
In [25]: x = np.random.randint(0, 10**7, 10**7)
In [26]: df1 = pd.DataFrame({'x':x})
In [27]: df2 = df1.set_index('x', drop=False)
In [28]: %timeit df2.ix[0]
1 loops, best of 3: 402 ms per loop
In [29]: %timeit df1.ix[0]
10000 loops, best of 3: 123 us per loop

(Я понимаю, что два запроса ix не возвращают одно и то же - это просто пример, который вызывает ix для неидеального индекса, который выглядит намного медленнее)

Есть ли способ коаксировать pandas в использование более быстрых методов поиска, таких как бинарный поиск на неистовых и/или отсортированных индексах?

Ответ 1

Когда индекс уникален, pandas используйте хэш-таблицу для сопоставления ключа для значения O (1). Когда индекс не является уникальным и отсортирован, pandas использует двоичный поиск O (logN), когда индекс случайный, упорядоченный pandas должен проверить все ключи в индексе O (N).

Вы можете вызвать метод sort_index:

import numpy as np
import pandas as pd
x = np.random.randint(0, 200, 10**6)
df1 = pd.DataFrame({'x':x})
df2 = df1.set_index('x', drop=False)
df3 = df2.sort_index()
%timeit df1.loc[100]
%timeit df2.loc[100]
%timeit df3.loc[100]

результат:

10000 loops, best of 3: 71.2 µs per loop
10 loops, best of 3: 38.9 ms per loop
10000 loops, best of 3: 134 µs per loop

Ответ 2

@HYRY сказал это хорошо, но ничто не говорит это так, как красочный график с таймингами.

enter image description here

Участки были созданы с использованием перфплот. Код, для вашей справки:

import pandas as pd
import perfplot

_rnd = np.random.RandomState(42)

def make_data(n):    
    x = _rnd.randint(0, 200, n)
    df1 = pd.DataFrame({'x':x})
    df2 = df1.set_index('x', drop=False)
    df3 = df2.sort_index()

    return df1, df2, df3

perfplot.show(
    setup=lambda n: make_data(n),
    kernels=[
        lambda dfs: dfs[0].loc[100],
        lambda dfs: dfs[1].loc[100],        
        lambda dfs: dfs[2].loc[100],
    ],
    labels=['Unique index', 'Non-unique, unsorted index', 'Non-unique, sorted index'],
    n_range=[2 ** k for k in range(8, 23)],
    xlabel='N',
    logx=True,
    logy=True,
    equality_check=False)