A solução aceita será extremamente lenta para muitos dados. A solução com o maior número de votos positivos é um pouco difícil de ler e também lenta com os dados numéricos. Se cada nova coluna puder ser calculada independentemente das outras, eu atribuiria cada uma delas diretamente sem usar apply
.
Exemplo com dados de caracteres falsos
Crie 100.000 seqüências de caracteres em um DataFrame
df = pd.DataFrame(np.random.choice(['he jumped', 'she ran', 'they hiked'],
size=100000, replace=True),
columns=['words'])
df.head()
words
0 she ran
1 she ran
2 they hiked
3 they hiked
4 they hiked
Digamos que desejássemos extrair alguns recursos de texto, como feito na pergunta original. Por exemplo, vamos extrair o primeiro caractere, contar a ocorrência da letra 'e' e colocar em maiúscula a frase.
df['first'] = df['words'].str[0]
df['count_e'] = df['words'].str.count('e')
df['cap'] = df['words'].str.capitalize()
df.head()
words first count_e cap
0 she ran s 1 She ran
1 she ran s 1 She ran
2 they hiked t 2 They hiked
3 they hiked t 2 They hiked
4 they hiked t 2 They hiked
Horários
%%timeit
df['first'] = df['words'].str[0]
df['count_e'] = df['words'].str.count('e')
df['cap'] = df['words'].str.capitalize()
127 ms ± 585 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
def extract_text_features(x):
return x[0], x.count('e'), x.capitalize()
%timeit df['first'], df['count_e'], df['cap'] = zip(*df['words'].apply(extract_text_features))
101 ms ± 2.96 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
Surpreendentemente, você pode obter um melhor desempenho percorrendo cada valor
%%timeit
a,b,c = [], [], []
for s in df['words']:
a.append(s[0]), b.append(s.count('e')), c.append(s.capitalize())
df['first'] = a
df['count_e'] = b
df['cap'] = c
79.1 ms ± 294 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
Outro exemplo com dados numéricos falsos
Crie 1 milhão de números aleatórios e teste a powers
função de cima.
df = pd.DataFrame(np.random.rand(1000000), columns=['num'])
def powers(x):
return x, x**2, x**3, x**4, x**5, x**6
%%timeit
df['p1'], df['p2'], df['p3'], df['p4'], df['p5'], df['p6'] = \
zip(*df['num'].map(powers))
1.35 s ± 83.6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
A atribuição de cada coluna é 25x mais rápida e muito legível:
%%timeit
df['p1'] = df['num'] ** 1
df['p2'] = df['num'] ** 2
df['p3'] = df['num'] ** 3
df['p4'] = df['num'] ** 4
df['p5'] = df['num'] ** 5
df['p6'] = df['num'] ** 6
51.6 ms ± 1.9 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
Fiz uma resposta semelhante com mais detalhes aqui sobre por que apply
normalmente não é o caminho a percorrer.
df.ix[: ,10:16]
. Eu acho que você terá quemerge
seus recursos no conjunto de dados.