给定具有多个列的DataFrame，我们如何逐行从特定列中选择值来创建新的Series？
df = pd.DataFrame({"A":[1,2,3,4],
"B":[10,20,30,40],
"C":[100,200,300,400]})
columns_to_select = ["B", "A", "A", "C"]
目标：[10, 2, 3, 400]
一种有效的方法是使用apply语句。
df["cols"] = columns_to_select
df.apply(lambda x: x[x.cols], axis=1)
不幸的是，这不是一个矢量化的操作，在大型数据集上需要很长时间。任何想法都将不胜感激。
方法：
In [22]: df['new'] = df.lookup(df.index, columns_to_select)
In [23]: df
Out[23]:
A B C new
0 1 10 100 10
1 2 20 200 2
2 3 30 300 3
3 4 40 400 400
麻木的方式
这是一种使用高级索引的矢量化NumPy方法-
# Extract array data
In [10]: a = df.values
# Get integer based column IDs
In [11]: col_idx = np.searchsorted(df.columns, columns_to_select)
# Use NumPy's advanced indexing to extract relevant elem per row
In [12]: a[np.arange(len(col_idx)), col_idx]
Out[12]: array([ 10, 2, 3, 400])
如果df的列名没有排序，我们需要使用sorter参数和np。搜索已排序。对于此类通用df提取col_idx的代码如下：
# https://stackoverflow.com/a/38489403/ @Divakar
def column_index(df, query_cols):
cols = df.columns.values
sidx = np.argsort(cols)
return sidx[np.searchsorted(cols,query_cols,sorter=sidx)]
所以，col_idx将这样获得-
col_idx = column_index(df, columns_to_select)
进一步优化
对其进行分析后发现，瓶颈是使用np处理字符串。searchsorted，这是一个通常的缺点，就是不能很好地处理字符串。因此，为了克服这一问题，使用列名为单个字母的特殊情况，我们可以快速地将其转换为数字，然后将其馈送到searchsorted，以便更快地进行处理。
因此，对于列名为单字母且已排序的情况，将需要获得基于整数的列ID的优化版本-
def column_index_singlechar_sorted(df, query_cols):
c0 = np.fromstring(''.join(df.columns), dtype=np.uint8)
c1 = np.fromstring(''.join(query_cols), dtype=np.uint8)
return np.searchsorted(c0, c1)
这给了我们一个改进版本的解决方案，就像这样-
a = df.values
col_idx = column_index_singlechar_sorted(df, columns_to_select)
out = pd.Series(a[np.arange(len(col_idx)), col_idx])
时机-
In [149]: # Setup df with 26 uppercase column letters and many rows
...: import string
...: df = pd.DataFrame(np.random.randint(0,9,(1000000,26)))
...: s = list(string.uppercase[:df.shape[1]])
...: df.columns = s
...: idx = np.random.randint(0,df.shape[1],len(df))
...: columns_to_select = np.take(s, idx).tolist()
# With df.lookup from @MaxU's soln
In [150]: %timeit pd.Series(df.lookup(df.index, columns_to_select))
10 loops, best of 3: 76.7 ms per loop
# With proposed one from this soln
In [151]: %%timeit
...: a = df.values
...: col_idx = column_index_singlechar_sorted(df, columns_to_select)
...: out = pd.Series(a[np.arange(len(col_idx)), col_idx])
10 loops, best of 3: 59 ms per loop
鉴于df.lookup解决了一般情况，这可能是一个更好的选择，但是这篇文章中显示的其他可能的优化也很方便！
