如何高效地对 Pandas 数据框根据列进行部分排序（partial argsort）？

Question

我希望根据每行最大的3个值，用列标签替换这些值。假设有以下输入：

   p1  p2  p3  p4
0   0   9   1   4
1   0   2   3   4
2   1   3  10   7
3   1   5   3   1
4   2   3   7  10

假设 n = 3，我正在寻找：

  Top1 Top2 Top3
0   p2   p4   p3
1   p4   p3   p2
2   p3   p4   p2
3   p2   p3   p1
4   p4   p3   p2

我不担心重复，例如对于索引3，Top3可以是'p1'或者'p4'。

尝试1

我的第一次尝试是使用np.ndarray.argsort进行完整排序：

res = pd.DataFrame(df.columns[df.values.argsort(1)]).iloc[:, len(df.index): 0: -1]

但实际上我有超过4列，这样做效率会很低。

尝试2

接下来我尝试使用np.argpartition。但由于每个分区内的值没有排序，这需要进行后续排序：

n = 3
parts = np.argpartition(-df.values, n, axis=1)[:, :-1]
args = (-df.values[np.arange(df.shape[0])[:, None], parts]).argsort(1)

res = pd.DataFrame(df.columns[parts[np.arange(df.shape[0])[:, None], args]],
                   columns=[f'Top{i}' for i in range(1, n+1)])

实际上，对于较大的数据框，这种方法比第一种尝试要慢。是否有更有效利用部分排序的方法？您可以使用以下代码进行基准测试。

基准测试

# Python 3.6.0, NumPy 1.11.3, Pandas 0.19.2

import pandas as pd, numpy as np

df = pd.DataFrame({'p1': [0, 0, 1, 1, 2],
                   'p2': [9, 2, 3, 5, 3],
                   'p3': [1, 3, 10, 3, 7],
                   'p4': [4, 4, 7, 1, 10]})

def full_sort(df):
    return pd.DataFrame(df.columns[df.values.argsort(1)]).iloc[:, len(df.index): 0: -1]

def partial_sort(df):
    n = 3
    parts = np.argpartition(-df.values, n, axis=1)[:, :-1]
    args = (-df.values[np.arange(df.shape[0])[:, None], parts]).argsort(1)
    return pd.DataFrame(df.columns[parts[np.arange(df.shape[0])[:, None], args]])

df = pd.concat([df]*10**5)

%timeit full_sort(df)     # 86.3 ms per loop
%timeit partial_sort(df)  # 158 ms per loop

- jpp

---

如果列数更多，使用argpartition可能会更好。但是对于4列来说，似乎不值得这样做。 - Divakar

@Divakar，是的，你可能是对的。我只是认为可能有一些聪明的NumPy魔法（预排序的np.argpartition？）可以帮助解决这个问题。也许它不存在。 - jpp

那么，你通常有多少列？ - Divakar

@Divakar，大约30列。就算是这么多列，使用full_sort也能更快地完成。似乎2倍的性能差异随着列数的增加而持续存在。 - jpp

我认为这可能会有用：https://dev59.com/o1gQ5IYBdhLWcg3w0HIA#42186357 - Dani Mesejo

Answer 1

拥有足够的列数，我们可以使用np.argpartition结合一些slicing和indexing来处理数据 -

def topN_perrow_colsindexed(df, N):
    # Extract array data
    a = df.values

    # Get top N indices per row with not necessarily sorted order
    idxtopNpart = np.argpartition(a,-N,axis=1)[:,-1:-N-1:-1]

    # Index into input data with those and use argsort to force sorted order
    sidx = np.take_along_axis(a,idxtopNpart,axis=1).argsort(1)
    idxtopN = np.take_along_axis(idxtopNpart,sidx[:,::-1],axis=1)    

    # Index into column values with those for final output
    c = df.columns.values
    return pd.DataFrame(c[idxtopN], columns=[['Top'+str(i+1) for i in range(N)]])

示例运行 -

In [65]: df
Out[65]: 
   p1  p2  p3  p4
0   0   9   1   4
1   0   2   3   4
2   1   3  10   7
3   1   5   3   1
4   2   3   7  10

In [66]: topN_perrow_colsindexed(df, N=3)
Out[66]: 
  Top1 Top2 Top3
0   p2   p4   p3
1   p4   p3   p2
2   p3   p4   p2
3   p2   p3   p4
4   p4   p3   p2

时间 -

In [143]: np.random.seed(0)

In [144]: df = pd.DataFrame(np.random.rand(10000,30))

In [145]: %timeit full_sort(df)
     ...: %timeit partial_sort(df)
     ...: %timeit topN_perrow_colsindexed(df,N=3)
100 loops, best of 3: 7.96 ms per loop
100 loops, best of 3: 13.9 ms per loop
100 loops, best of 3: 5.47 ms per loop

In [146]: df = pd.DataFrame(np.random.rand(10000,100))

In [147]: %timeit full_sort(df)
     ...: %timeit partial_sort(df)
     ...: %timeit topN_perrow_colsindexed(df,N=3)
10 loops, best of 3: 34 ms per loop
10 loops, best of 3: 56.1 ms per loop
100 loops, best of 3: 13.6 ms per loop

- Divakar