使用python的pandas模块时，查找和修改dataFrame中的值速度非常慢，请问是什么原因，有什么好办法解决吗？

Question

最近在用pandas做一个机器学习的项目，训练集大概2G。我用的dataFrame来操作数据，对训练集做了一次groupby和mean的操作，速度还挺快的，但把得到的结果赋值给用户参数（也是一个dataframe表）的时候，速度缺特别慢，请问这是什么原因呢？
训练集大概有7000多万行，做groupby和mean操作大概十几分钟也就完成了，但赋值操作缺超级慢，每秒钟大概只能赋值50条左右，差距太大了。其中赋值语句大概是这样操作的：
dataframeA.loc[user,'']=dataframeB.loc[user,'']。两张dataFrame表都很大，都是百万级的，不知道是不是和量级较大有关，但千万级的训练集做groupby也没什么压力啊，而且这个机器学习项目，会经常使用和修改表中的参数，如果都这么慢的话，可能就无法正常使用了，哪位大神有什么好的解释或者建议吗？非常感谢了。部分代码如下，有什么细节没有说清楚的话可以问我，我再详细解释下。

def get_average_rating(self):
        self.u = log_train['Result'].mean()
        print 'u is ',self.u
        i,j = 0,0
        user_mean_rate = log_train.groupby('UserId').agg({'Result':np.mean})
        item_mean_rate = log_train.groupby('ItemId').agg({'Result':np.mean})

        #计算bias
        print 'calc bias start'
        start_time = time.time()
        for user in train_users:
            i += 1
            if i%2000==0:
                print '2000 used time',time.time()-start_time
                start_time = time.time()
            self.user_params.loc[user,'bias'] = user_mean_rate.loc[user,'Result']-self.u
        for item in train_items:
            self.item_params.loc[item,'bias'] = item_mean_rate.loc[item,'Result']-self.u

        print 'bias total used time',time.time()-start_time

Answer 1

Pandas には、DataFrame の行をループするための df.iterrows() のジェネレーターがあり、これが最も効率的です。

詳細については、ドキュメントを参照してください:
http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.iterrows.html

Answer 2

私はこれほど大きなことをしたことはありませんが、私の経験では、df を 1 つずつ操作しないのが最善です。基本的には遅く、列全体の操作ははるかに高速です。
1.
空の値をすべて df に書き込んでから、
をマージするのが最善ですが、場合によっては直接追加することが避けられない
2. del ステートメントを直接使用します
3. マージアイデアも使用して
を変更し、元の値をカバーします

Answer 3

割り当てが遅いとは思いません
self.user_params.loc[user,'bias'] は、第 1 レベルのインデックスから第 2 レベルのインデックスを取得するのと同じですが、これは非常に遅いはずです

Answer 4

loc が最も遅いです。代わりに ix を使用してみてください。ループを構築するには iterrows を使用するのが最善です。