Wenn Sie schnell wünschen, Sie numpy
oder numexpr
oder normalen pandas
pandas
verwenden können
priors['user_product'] = priors.product_id + 100000 * priors.user_id
numpy
priors['user_product'] = priors.product_id.values + 100000 * priors.user_id.values
numexpr
pid = priors.product_id.values
uid = priors.user_id.values
priors['user_product'] = numexpr.evaluate('pid + 100000 * uid')
Zeit
n = 3000000
priors = pd.DataFrame(dict(product_id=np.random.rand(n), user_id=np.random.rand(n)))
%timeit priors['user_product'] = priors.eval('product_id + 100000 * user_id')
%timeit priors['user_product'] = priors.product_id.values + 100000 * priors.user_id.values
%timeit priors['user_product'] = priors.product_id + 100000 * priors.user_id
10 loops, best of 3: 31.6 ms per loop
100 loops, best of 3: 17.6 ms per loop
100 loops, best of 3: 18.5 ms per loop
%%timeit
pid = priors.product_id.values
uid = priors.user_id.values
priors['user_product'] = numexpr.evaluate('pid + 100000 * uid')
100 loops, best of 3: 13.6 ms per loop
'priors [ 'user_product'] = priors [ 'product_id'] + priors [ 'user_id'] * 100000' ist slowier? – jezrael
Es hat ewig gedauert, aus irgendwelchen Gründen über Pandas mit der von Ihnen erwähnten Methode zu rechnen. Eval führte auch zu Problemen. Wenn ich mir die pandas-Dokumentation ansehe, habe ich eval mit numexpr als Backend realisiert, wenn die Bibliothek installiert ist. Die Installation von numexpr führte sofort zu einer viel schnelleren Berechnung. – siebenheaven