从另一个数据帧创建熊猫数据帧的更快方法

Question

我有一个包含超过 41500 条记录和 3 个字段的数据框ID：start_date和end_date.我想从中创建一个单独的数据框，其中只有 2 个字段为：ID并将active_years包含每个标识符的记录，这些记录针对 start_year 和 end_year 范围之间存在的所有可能年份（包括该范围内的结束年份）。这就是我现在正在做的事情，但是对于 41500 行，它需要 2 个多小时才能完成。df = pd.DataFrame(columns=['id', 'active_years'])ix = 0for _, row in raw_dataset.iterrows():    st_yr = int(row['start_date'].split('-')[0]) # because dates are in the format yyyy-mm-dd    end_yr = int(row['end_date'].split('-')[0])    for year in range(st_yr, end_yr+1):        df.loc[ix, 'id'] = row['ID']        df.loc[ix, 'active_years'] = year        ix = ix + 1那么有没有更快的方法来实现这一点？[编辑]一些尝试解决的示例，raw_dataset = pd.DataFrame({'ID':['a121','b142','cd3'],'start_date':['2019-10-09','2017-02-06','2012-12-05'],'end_date':['2020-01-30','2019-08-23','2016-06-18']})print(raw_dataset)     ID  start_date    end_date0  a121  2019-10-09  2020-01-301  b142  2017-02-06  2019-08-232   cd3  2012-12-05  2016-06-18# the desired dataframe should look like thisprint(desired_df)     id  active_years0  a121  20191  a121  20202  b142  20173  b142  20184  b142  20195   cd3  20126   cd3  20137   cd3  20148   cd3  20159   cd3  2016

Answer 1

动态增长的 python 列表比动态增长的 numpy 数组（这是 pandas 数据帧的底层数据结构）快得多。请参阅此处以获取简要说明。考虑到这一点：

import pandas as pd

# Initialize input dataframe

raw_dataset = pd.DataFrame({

    'ID':['a121','b142','cd3'],

    'start_date':['2019-10-09','2017-02-06','2012-12-05'],

    'end_date':['2020-01-30','2019-08-23','2016-06-18'],

})

# Create integer columns for start year and end year

raw_dataset['start_year'] = pd.to_datetime(raw_dataset['start_date']).dt.year

raw_dataset['end_year'] = pd.to_datetime(raw_dataset['end_date']).dt.year

# Iterate over input dataframe rows and individual years

id_list = []

active_years_list = []

for row in raw_dataset.itertuples():

    for year in range(row.start_year, row.end_year+1):

        id_list.append(row.ID)

        active_years_list.append(year)

# Create result dataframe from lists

desired_df = pd.DataFrame({

    'id': id_list,

    'active_years': active_years_list,

})

print(desired_df)

# Output:

#     id  active_years

# 0  a121          2019

# 1  a121          2020

# 2  b142          2017

# 3  b142          2018

# 4  b142          2019

# 5   cd3          2012

# 6   cd3          2013

# 7   cd3          2014

# 8   cd3          2015

# 9   cd3          2016