Pandas案例精进 | 结构化数据非等值范围查找 ③

朱小五

发布于 2021-03-29 17:06:20

1.3K0

发布于 2021-03-29 17:06:20

文章被收录于专栏：凹凸玩数据凹凸玩数据

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()

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：

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

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

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