Pandas DataFrame 加权随机列选择与赋值技巧

本文介绍一种向量化方法，替代低效的逐行迭代（iterrows），通过概率归一化、累积和构建与广播比较，大幅提升大规模 DataFrame 中按列值加权随机选列的执行效率。

本文介绍一种向量化方法，替代低效的逐行迭代（`iterrows`），通过概率归一化、累积和构建与广播比较，大幅提升大规模 DataFrame 中按列值加权随机选列的执行效率。

在 Pandas 数据处理中，若需基于每行各列数值作为权重，为每一行随机选取一个列名（如 dog/cat/parrot）并写入新列，传统 for index, row in df.iterrows() 循环极易成为性能瓶颈——尤其当数据量达万行以上时，Python 层循环 + 多次 .iloc 和 .at 赋值会显著拖慢速度。

核心优化思路是：完全避免显式循环，转而使用 NumPy 向量化操作完成整列计算。具体分三步：

1. 提取并归一化权重：从原始 DataFrame 中筛选目标列（如 ['dog', 'cat', 'parrot']），沿行方向（axis=1）归一化，使每行权重和为 1；
2. 构建累积概率矩阵：对归一化结果调用 .cumsum(axis=1)，生成每行递增的累积概率边界（如 [0.07, 0.40, 1.00]）；
3. 批量随机采样与定位：生成与行数等长的 [0,1) 均匀随机数组 r，利用广播比较 tmp > r[:, None] 得到布尔矩阵，再用 argmax(axis=1) 找到每行首个 True 的列索引，最终映射回列名。

以下是完整、可直接运行的优化代码：

import pandas as pd
import numpy as np

# 示例数据
df = pd.DataFrame({
    'dog': [1, 2, 3, 4],
    'cat': [5, 6, 7, 8],
    'parrot': [9, 10, 11, 12],
    'owner': ['fred', 'bob', 'jim', 'jannet']
})
relevant_col_list = ['dog', 'cat', 'parrot']

# ✅ 向量化实现（高效）
weights = df[relevant_col_list]
normalized = weights.div(weights.sum(axis=1), axis=0)  # 每行归一化
cumprobs = normalized.cumsum(axis=1).to_numpy()         # 累积概率矩阵 (n_rows × n_cols)

r = np.random.random(len(df))                            # 一行一随机数
chosen_idx = (cumprobs > r[:, None]).argmax(axis=1)     # 每行首个超界列索引
df['iteration_1'] = np.array(relevant_col_list)[chosen_idx]

print(df)

输出示例（随机结果每次不同）：

   dog  cat  parrot   owner iteration_1
0    1    5       9    fred      parrot
1    2    6      10     bob      parrot
2    3    7      11     jim         dog
3    4    8      12  jannet         cat

✅ 关键优势：

• 时间复杂度从 O(n×m)（n 行，m 列）降至接近 O(n×m) 的纯向量化计算，但常数因子极小；
• 全程无 Python 循环，充分利用 NumPy 底层 C 优化；
• 内存友好：仅引入一个 (n, m) 形状的临时数组 cumprobs，无中间 DataFrame 复制。

⚠️ 注意事项：

• 确保目标列中无负值或全零行，否则归一化会报错或产生 NaN；建议前置校验：assert (weights >= 0).all().all() and (weights.sum(axis=1) > 0).all()；
• 若需复现结果，请在采样前设置 np.random.seed(42)；
• 此法适用于「每行独立采样」场景；若需跨行全局权重（如整个列的总和作权重），则需调整归一化逻辑。

综上，将“逐行加权随机选择”转化为“累积概率 + 广播比较 + 索引映射”，是 Pandas 高性能数据构造的经典范式之一——既保持逻辑清晰，又释放底层计算潜力。