pandas 处理数据慢，求好方法

[zky001]

各位大佬，我有一个文本，里面有 54 万行数据，其中一列数据是类似 1234,2345,3122,3442 这样的一个字符串，我要把这列数据分割成四列数据，用 split 分割着四列在加一个 pandas dataframe 实现，每次跑半个多小时到一个多小时程序就 down 掉了，有啥好的思路方法完成这样的需求吗？

[zky001]

@AX5N 实际遍历了 54 万次，但是对每一行都要进行一次裁剪拼加 dataframe 的操作，就很耗时

[zky001]

@qianc1990 这个数据中列向量还有中文，中文中也有各种逗号，pd 直接读进来会把中文中的逗号也切片进来占用其他数据列

[rouwanzi]

不要一行行拼，对一列统一操作的时候，可以用 map 或者 pandas 的 apply 这种方法，很久没写过 pandas 的了，具体的细节有点忘记，每行都这样操作 df 肯定慢

[zky001]

@dongxiao 这个是建立了一个新 dataframe，出来的是裁剪处理后的，可以直接 concat 到原 dataframe 上吗，还要到另一个几十万行的文件中把"1234, 2341, 3412, 3123"这些转换成对应中文

[zky001]

一列数据是类似 1234,2345,3122,3442 这样的一个字符串，我要把这列数据分割成四列数据，分完后再进另一个去查找，之前写的逻辑代码类似如下：
for u in range(0,products.shape[0]):
start=time.time()
cat1=products.catIds[u].split(',')[0]
#print(categories[categories['catId']==int(cat1)].index[0])
category1=categories['category'][categories[categories['catId']==int(cat1)].index[0]]
cat2=products.catIds[u].split(',')[1]
category2=categories['category'][categories[categories['catId']==int(cat2)].index[0]]
cat3=products.catIds[u].split(',')[-1]
category3=categories['category'][categories[categories['catId']==int(cat3)].index[0]]
df=df.append({"catIds":products.catIds[u],"cat1":category1,"cat2":category2,"cat3":category3})
end=time.time()
print(end-start)
ndf = pd.merge(products,df,how='left',on='catIds'),

[rouwanzi]

@zky001 大概是这个样子吧，很久没写了
```python
import pandas as pd
from pandas import DataFrame as df

categories = {1:'aa', 2:'bb', 3:'cc', 4:'dd', 5:'ee'}
data = df({'catIds':['1,2,3','2,3,4','3,4,5']})

def process_data(catIds):
ids = catIds.split(',')
cats = [categories.get(int(catId), None) for catId in ids]
return cats

cats = list(map(process_data, data['catIds']))
data[['cat1','cat2','cat3']] = df(cats, index=data.index)
```

[cigarzh]

Series.apply 啊，现在程序员都不看文档的吗……

[yeyu1989]

@cigarzh 正解

[lmingzhi08]

54 万行不算很多...
obj = df['target_col']
objn = obj.str.split(',')
for i in range(4):
df['col_%s' % i] = objn.str[i]

如果再觉得内存不够，分批次处理，每次处理个 1 万行，使用 chunksize
https://blog.csdn.net/zm714981790/article/details/51375475
df_list = pd.read_table('tmp.sv', sep='|', chunksize=4)
for df in df_list:
print(chunk)

如果想要再加速，那么试试多进程，每次后存成一个单独的文件，最后再合并，应该几分钟搞定

[Baboonowen]

Series.apply 是真的正解