通过两个大熊猫加快嵌套for循环DataFrames

我有存储在大熊猫数据帧（df）与填充剂的斑点作为NaN用于stop_id, stoplat, stoplon纬度和经度，并且在另一个数据帧areadf，其中包含多个拉特/经度和任意ID;这是要填充到df的信息。通过两个大熊猫加快嵌套for循环DataFrames

我试图连接两个，以便df中的停止列包含有关最靠近该经纬度点的停靠点的信息，如果在该点的半径R内没有停止，则将其保留为NaN。

现在我的代码如下，但它需要很长的时间（对于我目前正在运行的内容，需要40分钟以上，在将区域更改为df并使用itertuples之前;不确定差别有多大这将使？），因为有成千上万的经纬度点，并停止每一组数据，这是一个问题，因为我需要在多个文件上运行此。我在寻找建议让它运行得更快。我已经做了一些小小的改进（例如移动到一个数据框，使用itertuples而不是iterrows，在循环外定义lats和lons，以避免在每个循环中从df检索它），但我没有想法加快速度。 getDistance使用定义的Haversine公式来获得停车标志与给定经纬度之间的距离。

import pandas as pd 
from math import cos, asin, sqrt 

R=5 
lats = df['lat'] 
lons = df['lon'] 
for stop in areadf.itertuples(): 
    for index in df.index: 
     if getDistance(lats[index],lons[index], 
         stop[1],stop[2]) < R: 
      df.at[index,'stop_id'] = stop[0] # id 
      df.at[index,'stoplat'] = stop[1] # lat 
      df.at[index,'stoplon'] = stop[2] # lon 

def getDistance(lat1,lon1,lat2,lon2): 
    p = 0.017453292519943295  #Pi/180 
    a = (0.5 - cos((lat2 - lat1) * p)/2 + cos(lat1 * p) * 
     cos(lat2 * p) * (1 - cos((lon2 - lon1) * p))/2) 
    return 12742 * asin(sqrt(a)) * 100

的样本数据：

df 
lat  lon   stop_id stoplat stoplon 
43.657676 -79.380146 NaN  NaN  NaN 
43.694324 -79.334555 NaN  NaN  NaN 

areadf 
stop_id stoplat stoplon 
0   43.657675 -79.380145 
1   45.435143 -90.543253

期望：

df 
lat  lon   stop_id stoplat stoplon 
43.657676 -79.380146 0   43.657675 -79.380145 
43.694324 -79.334555 NaN  NaN  NaN

来源

2017-10-04 amper

你可以使用，而不是用Cython pypy，pypy编译到c加快在蟒蛇循环 –

1.不要遍历这样的dataframes，采取大熊猫的优势2.使用欧几里得距离作为第一关，并拉出几个最接近的点，因为它比Haversine便宜3.将数据分成经纬网格，其中网格x及其周围8个单元格中的任何内容都不在网格y中的任何东西的R内，并在子集停靠点上运行。 – jeremycg

@jeremycg为了更好地利用熊猫，你有没有建议我研究的功能？谢谢您的回复！ – amper

的一种方法是使用numpy的半正矢函数从here，只是略作修改，这样就可以解释半径你要。

刚刚通过您的df与给定的半径

def haversine_np(lon1, lat1, lon2, lat2,R): 
    """ 
    Calculate the great circle distance between two points 
    on the earth (specified in decimal degrees) 
    All args must be of equal length.  
    """ 
    lon1, lat1, lon2, lat2 = map(np.radians, [lon1, lat1, lon2, lat2]) 
    dlon = lon2 - lon1 
    dlat = lat2 - lat1 
    a = np.sin(dlat/2.0)**2 + np.cos(lat1) * np.cos(lat2) * np.sin(dlon/2.0)**2 
    c = 2 * np.arcsin(np.sqrt(a)) 
    km = 6367 * c 
    if km.min() <= R: 
     return km.argmin() 
    else: 
     return -1 

df['dex'] = df[['lat','lon']].apply(lambda row: haversine_np(row[1],row[0],areadf.stoplon.values,areadf.stoplat.values,1),axis=1)

内申请，并找到最接近的值。然后合并这两个dataframes迭代。

df.merge(areadf,how='left',left_on='dex',right_index=True).drop('dex',axis=1) 

     lat  lon stop_id stoplat stoplon 
0 43.657676 -79.380146  0.0 43.657675 -79.380145 
1 43.694324 -79.334555  NaN  NaN  NaN

注意：如果您选择按照这个方法，你必须确保两个dataframes指标复位，或者他们是按顺序从0责令DF的总LEN。所以一定要在运行这个之前重置索引。

df.reset_index(drop=True,inplace=True) 
areadf.reset_index(drop=True,inplace=True)

来源

2017-10-04 21:19:14 DJK

这对加速算法非常有用！从几小时到几秒，还比我使用上面提到的pycon优化实现的方法快了几秒。非常感谢你！ – amper

通过两个大熊猫加快嵌套for循环DataFrames

回答

相关问题