for文で書かれたデータフレーム処理の高速化

前提・実現したいこと

複数のデータフレームを組み合わせて総当たりの新しいデータフレームを作りたいと考えています。
ただ、組み合わせるデータフレームの数が増えると遅くなってしまい困っています。
配列に変換することである程度早くはなったのですが、もう少し処理速度を上げたいです。
そもそも書き方が冗長な気がするのでもっとスマートに書きたいです。
よろしくお願いいたします。

該当のソースコード

Python
1import pandas as pd
2import numpy as np
3
4#listを4種類作る
5l_1 = [[1, 2], [3, 4]]
6l_2 = [[11, 22], [33, 44]]
7l_3 = [[111, 222], [333, 444]]
8l_4 = [[1111, 2222], [3333, 4444]]
9
10＃listからDFに変換
11df1 = pd.DataFrame(l_1, columns=['A', 'B'])
12df2 = pd.DataFrame(l_2, columns=['C', 'D'])
13df3 = pd.DataFrame(l_3, columns=['E', 'F'])
14df4 = pd.DataFrame(l_4, columns=['G', 'H'])
15
16#DFから配列に変換
17array1 = df1.values
18array2 = df2.values
19array3 = df3.values
20array4 = df4.values
21
22#for文を使ってDFを総当たりで結合
23lst = []
24for I in array1:
25    for I2 in array2:
26        for I3 in array3:
27            for I4 in array4:
28                lst.append(np.concatenate([I, I2, I3, I4]))
29array_merged = np.array(lst)
30array_merged
31
32#カラム名を設定
33columns_name = df1.columns.append(df2.columns)
34columns_name = columns_name.append(df3.columns)
35columns_name = columns_name.append(df4.columns)
36#columns_name = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H']
37
38df_merged = pd.DataFrame(array_merged, columns=columns_name)
39df_merged
40
41	A	B	C	D	E	F	G	H
420	1	2	11	22	111	222	1111	2222
431	1	2	11	22	111	222	3333	4444
442	1	2	11	22	333	444	1111	2222
453	1	2	11	22	333	444	3333	4444
464	1	2	33	44	111	222	1111	2222
475	1	2	33	44	111	222	3333	4444
486	1	2	33	44	333	444	1111	2222
497	1	2	33	44	333	444	3333	4444
508	3	4	11	22	111	222	1111	2222
519	3	4	11	22	111	222	3333	4444
5210	3	4	11	22	333	444	1111	2222
5311	3	4	11	22	333	444	3333	4444
5412	3	4	33	44	111	222	1111	2222
5513	3	4	33	44	111	222	3333	4444
5614	3	4	33	44	333	444	1111	2222
5715	3	4	33	44	333	444	3333	4444
58
59

補足情報（FW/ツールのバージョンなど）

ここにより詳細な情報を記載してください。

行動規範の内容に同意します

回答2件

速度アップが見込まれるかは分かりませんがitertools.productを使うと簡潔に書けます。

Python
1import pandas as pd
2import itertools
3from functools import reduce
4from operator import add
5
6#listを4種類作る
7l_1 = [[1, 2], [3, 4]]
8l_2 = [[11, 22], [33, 44]]
9l_3 = [[111, 222], [333, 444]]
10l_4 = [[1111, 2222], [3333, 4444]]
11
12lst = []
13for e in itertools.product(l_1, l_2, l_3, l_4):
14    lst.append( reduce(add, e))
15df = pd.DataFrame(lst, columns=list('ABCDEFGH'))
16print(df)

投稿2020/07/17 00:08

can110

総合スコア38266

SatokoM

2020/07/17 00:26 編集

ご回答いただきありがとうございます。今回例のDFを作るためにlist→DFの処理を行っていますが、実際のデータではlistの状態は存在せず、 csvファイルの表から直接DFを作っています。もしdf1, 2, 3 ,4 を使って作る方法があればご教示いただけますと幸いです。説明が不十分で申し訳ありません。

can110

2020/07/17 00:41

すでにDFがあれば、それをnumpyのarrayにして.tolistでリストにすればよいです。すなわち質問コードに合わせれば「for e in itertools.product(array1.tolist(), array2.tolist(), array3.tolist(), array4.tolist()):」とすればよいです。

SatokoM

2020/07/22 02:33

そうですね！考えが及ばなかったです。ありがとうございます。

行動規範の内容に同意します

ベストアンサー

コードを整理すればもっといい方法があるかもしれませんが、以下の方法でいかがでしょうか。itertools.productより速いと思われます（特に各要素が数値なら）。

python
1from sklearn.utils.extmath import cartesian
2
3
4def df_product(df_list):
5    arrs = [df.to_numpy() for df in df_list]
6    lens = np.array([len(arr) for arr in arrs])
7
8    idx = cartesian([np.arange(length) for length in lens])
9    offset = lens.cumsum() - lens
10
11    new_arr = np.vstack(arrs)[idx+offset].reshape(-1, 2*len(df_list))
12    return pd.DataFrame(new_arr, columns=np.concatenate(
13        [df.columns.to_numpy() for df in df_list]))

動作確認

python
1In [11]: l_1 = [[1, 2], [3, 4]]
2       : l_2 = [[11, 22], [33, 44]]
3       : l_3 = [[111, 222], [333, 444]]
4       : l_4 = [[1111, 2222], [3333, 4444]]
5       :
6       : df1 = pd.DataFrame(l_1, columns=['A', 'B'])
7       : df2 = pd.DataFrame(l_2, columns=['C', 'D'])
8       : df3 = pd.DataFrame(l_3, columns=['E', 'F'])
9       : df4 = pd.DataFrame(l_4, columns=['G', 'H'])
10       :
11       : df_product([df1, df2, df3, df4])
12Out[11]:
13    A  B   C   D    E    F     G     H
140   1  2  11  22  111  222  1111  2222
151   1  2  11  22  111  222  3333  4444
162   1  2  11  22  333  444  1111  2222
173   1  2  11  22  333  444  3333  4444
184   1  2  33  44  111  222  1111  2222
195   1  2  33  44  111  222  3333  4444
206   1  2  33  44  333  444  1111  2222
217   1  2  33  44  333  444  3333  4444
228   3  4  11  22  111  222  1111  2222
239   3  4  11  22  111  222  3333  4444
2410  3  4  11  22  333  444  1111  2222
2511  3  4  11  22  333  444  3333  4444
2612  3  4  33  44  111  222  1111  2222
2713  3  4  33  44  111  222  3333  4444
2814  3  4  33  44  333  444  1111  2222
2915  3  4  33  44  333  444  3333  4444

↓数が増えても大丈夫です。

python
1In [12]: l_1 = [[1, 2], [3, 4], [5, 6]]  # ←[5, 6]を追加
2       : l_2 = [[11, 22], [33, 44]]
3       : l_3 = [[111, 222], [333, 444]]
4       : l_4 = [[1111, 2222], [3333, 4444]]
5       :
6       : df1 = pd.DataFrame(l_1, columns=['A', 'B'])
7       : df2 = pd.DataFrame(l_2, columns=['C', 'D'])
8       : df3 = pd.DataFrame(l_3, columns=['E', 'F'])
9       : df4 = pd.DataFrame(l_4, columns=['G', 'H'])
10       :
11       : df_product([df1, df2, df3, df4])
12Out[12]:
13    A  B   C   D    E    F     G     H
140   1  2  11  22  111  222  1111  2222
151   1  2  11  22  111  222  3333  4444
162   1  2  11  22  333  444  1111  2222
17# (中略)
1813  3  4  33  44  111  222  3333  4444
1914  3  4  33  44  333  444  1111  2222
2015  3  4  33  44  333  444  3333  4444
2116  5  6  11  22  111  222  1111  2222
2217  5  6  11  22  111  222  3333  4444
2318  5  6  11  22  333  444  1111  2222
2419  5  6  11  22  333  444  3333  4444
2520  5  6  33  44  111  222  1111  2222
2621  5  6  33  44  111  222  3333  4444
2722  5  6  33  44  333  444  1111  2222
2823  5  6  33  44  333  444  3333  4444
29
30In [13]: l_1 = [[1, 2], [3, 4]]
31       : l_2 = [[11, 22], [33, 44]]
32       : l_3 = [[111, 222], [333, 444]]
33       : l_4 = [[1111, 2222], [3333, 4444]]
34       : l_5 = [[11111, 22222], [33333, 44444]]  # ←l_5を追加
35       :
36       : df1 = pd.DataFrame(l_1, columns=['A', 'B'])
37       : df2 = pd.DataFrame(l_2, columns=['C', 'D'])
38       : df3 = pd.DataFrame(l_3, columns=['E', 'F'])
39       : df4 = pd.DataFrame(l_4, columns=['G', 'H'])
40       : df5 = pd.DataFrame(l_5, columns=['I', 'J'])
41       :
42       : df_product([df1, df2, df3, df4, df5])
43Out[13]:
44    A  B   C   D    E    F     G     H      I      J
450   1  2  11  22  111  222  1111  2222  11111  22222
461   1  2  11  22  111  222  1111  2222  33333  44444
472   1  2  11  22  111  222  3333  4444  11111  22222
483   1  2  11  22  111  222  3333  4444  33333  44444
494   1  2  11  22  333  444  1111  2222  11111  22222
505   1  2  11  22  333  444  1111  2222  33333  44444
516   1  2  11  22  333  444  3333  4444  11111  22222
527   1  2  11  22  333  444  3333  4444  33333  44444
538   1  2  33  44  111  222  1111  2222  11111  22222
54# (後略)

速度比較

python
1In [21]: def df_product_itertools(df_list):
2       :     lsts = [df.to_numpy().tolist() for df in df_list]
3       :     new_list = [reduce(add, e) for e in itertools.product(*lsts)]
4       :     return pd.DataFrame(new_list, columns=np.concatenate(
5       :        [df.columns.to_numpy() for df in df_list]))
6
7In [22]: l_1 = [[1, 2], [3, 4]]
8       : l_2 = [[11, 22], [33, 44]]
9       : l_3 = [[111, 222], [333, 444]]
10       : l_4 = [[1111, 2222], [3333, 4444]]
11       : l_5 = [[11111, 22222], [33333, 44444]]
12       :
13       : df1 = pd.DataFrame(l_1, columns=['A', 'B'])
14       : df2 = pd.DataFrame(l_2, columns=['C', 'D'])
15       : df3 = pd.DataFrame(l_3, columns=['E', 'F'])
16       : df4 = pd.DataFrame(l_4, columns=['G', 'H'])
17       : df5 = pd.DataFrame(l_5, columns=['I', 'J'])
18
19In [23]: %timeit df_product([df1, df2, df3, df4])
20       : %timeit df_product_itertools([df1, df2, df3, df4])
21355 µs ± 18.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
22928 µs ± 16.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
23
24In [24]: %timeit df_product([df1, df2, df3, df4, df5])
25       : %timeit df_product_itertools([df1, df2, df3, df4, df5])
26378 µs ± 12.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
271.12 ms ± 17.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)