我有两个数据框,需要比较所有行的组合并返回符合条件的组合。使用 Spark
(使用交叉连接)会对我们的小集群造成过多负担,因此我正在尝试这种方法,并希望最终看看 Dask
是否可以改进。
如果表格 A 和 B 是
a=pd.DataFrame(np.array([[1,2,3],[4,5,6]]), columns=['a','b','c'])
b=pd.DataFrame(np.array([[4,7,4],[6,5,1],[8,6,0]]), columns=['d','e','f'])
然后所有组合看起来像这样,其中A-D是计算出来的。假设我只想保留A-D >= -3的行。
A B C D E F A-D
1 2 3 4 7 4 -3
1 2 3 6 5 1 -5
1 2 3 8 6 0 -7
4 5 6 4 7 4 0
4 5 6 6 5 1 -2
4 5 6 8 6 0 -4
我尝试使用apply函数实现此操作,但是似乎无法从函数中返回多行的 dataframe
(该函数创建单个'A'行和整个'B'表的所有组合,并返回符合条件的行。
以下是我正在测试的函数:
def return_prox_branches(a, B, cutthresh):
aa=a['a']-B['d']
keep_B = B.copy().loc[(aa.values >= cutthresh),:]
keep_B['A']=a['a']
keep_B['B']=a['b']
keep_B['C']=a['c']
keep_B['A-D']=a['a']-keep_B['d']
print(keep_B)
return(keep_B)
a.apply(return_prox_branches, axis=1, args=(b,-3))
ValueError: cannot copy sequence with size 7 to array axis with dimension 1
实际上,这两个表格的行数在百万级别。
有没有一种方法可以在pandas中高效地完成这项工作?