概述

我有一个带有很长的随机正整数列的数据帧df：

df = pd.DataFrame({'n': np.random.randint(1,10,size = 10000)})
@H_419_8@
我想确定列中第一个偶数的索引.一种方法是：

df[df.n % 2 == 0].iloc[0]
@H_419_8@
但是这涉及很多操作(生成索引f.n％2 == 0,在这些索引上评估df并最终获取第一项)并且非常慢.像这样的循环要快得多：

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@
也因为第一个结果可能在前几行.是否有任何pandas方法以相似的性能执行此操作？谢谢.
注意：这个条件(是一个偶数)只是一个例子.我正在寻找适用于价值观的任何条件的解决方案,即快速单线替代：

df[ conditions on df.n ].iloc[0]
@H_419_8@

df[df.n % 2 == 0].iloc[0]
@H_419_8@
但是这涉及很多操作(生成索引f.n％2 == 0,在这些索引上评估df并最终获取第一项)并且非常慢.像这样的循环要快得多：

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@
也因为第一个结果可能在前几行.是否有任何pandas方法以相似的性能执行此操作？谢谢.
注意：这个条件(是一个偶数)只是一个例子.我正在寻找适用于价值观的任何条件的解决方案,即快速单线替代：

df[ conditions on df.n ].iloc[0]
@H_419_8@

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@
也因为第一个结果可能在前几行.是否有任何pandas方法以相似的性能执行此操作？谢谢.
注意：这个条件(是一个偶数)只是一个例子.我正在寻找适用于价值观的任何条件的解决方案,即快速单线替代：

df[ conditions on df.n ].iloc[0]
@H_419_8@

df[ conditions on df.n ].iloc[0]
@H_419_8@

我想确定列中第一个偶数的索引.一种方法是：

但是这涉及很多操作(生成索引f.n％2 == 0,在这些索引上评估df并最终获取第一项)并且非常慢.像这样的循环要快得多：

也因为第一个结果可能在前几行.是否有任何pandas方法以相似的性能执行此操作？谢谢.

注意：这个条件(是一个偶数)只是一个例子.我正在寻找适用于价值观的任何条件的解决方案,即快速单线替代：

我想确定列中第一个偶数的索引.一种方法是：

df[df.n % 2 == 0].iloc[0]
@H_419_8@
但是这涉及很多操作(生成索引f.n％2 == 0,在这些索引上评估df并最终获取第一项)并且非常慢.像这样的循环要快得多：

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@
也因为第一个结果可能在前几行.是否有任何pandas方法以相似的性能执行此操作？谢谢.
注意：这个条件(是一个偶数)只是一个例子.我正在寻找适用于价值观的任何条件的解决方案,即快速单线替代：

df[ conditions on df.n ].iloc[0]
@H_419_8@

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@
也因为第一个结果可能在前几行.是否有任何pandas方法以相似的性能执行此操作？谢谢.
注意：这个条件(是一个偶数)只是一个例子.我正在寻找适用于价值观的任何条件的解决方案,即快速单线替代：

df[ conditions on df.n ].iloc[0]
@H_419_8@

df[ conditions on df.n ].iloc[0]
@H_419_8@

但是这涉及很多操作(生成索引f.n％2 == 0,在这些索引上评估df并最终获取第一项)并且非常慢.像这样的循环要快得多：

也因为第一个结果可能在前几行.是否有任何pandas方法以相似的性能执行此操作？谢谢.

注意：这个条件(是一个偶数)只是一个例子.我正在寻找适用于价值观的任何条件的解决方案,即快速单线替代：

但是这涉及很多操作(生成索引f.n％2 == 0,在这些索引上评估df并最终获取第一项)并且非常慢.像这样的循环要快得多：

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@
也因为第一个结果可能在前几行.是否有任何pandas方法以相似的性能执行此操作？谢谢.
注意：这个条件(是一个偶数)只是一个例子.我正在寻找适用于价值观的任何条件的解决方案,即快速单线替代：

df[ conditions on df.n ].iloc[0]
@H_419_8@

df[ conditions on df.n ].iloc[0]
@H_419_8@

也因为第一个结果可能在前几行.是否有任何pandas方法以相似的性能执行此操作？谢谢.

注意：这个条件(是一个偶数)只是一个例子.我正在寻找适用于价值观的任何条件的解决方案,即快速单线替代：

也因为第一个结果可能在前几行.是否有任何pandas方法以相似的性能执行此操作？谢谢.

注意：这个条件(是一个偶数)只是一个例子.我正在寻找适用于价值观的任何条件的解决方案,即快速单线替代：

df[ conditions on df.n ].iloc[0]
@H_419_8@

df = pd.DataFrame({'n': np.random.randint(1,size = 10000)})

%timeit df[df.n % 2 == 0].iloc[0]
%timeit df.iloc[next(k for k,v in df.iterrows() if v.n % 2 == 0)]
%timeit df.iloc[next(t[0] for t in df.itertuples() if t.n % 2 == 0)]
@H_419_8@
我明白了：

1000 loops,best of 3: 1.09 ms per loop
1000 loops,best of 3: 619 µs per loop # <-- iterrows generator
1000 loops,best of 3: 1.1 ms per loop
10000 loops,best of 3: 25 µs per loop # <--- your solution
@H_419_8@
但是当你调整大小时：

df = pd.DataFrame({'n': np.random.randint(1,size = 1000000)})
@H_419_8@
差异消失了：

10 loops,best of 3: 40.5 ms per loop 
10 loops,best of 3: 40.7 ms per loop # <--- iterrows
10 loops,best of 3: 56.9 ms per loop
@H_419_8@
您的解决方案是最快的,那么为什么不使用它呢？

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

1000 loops,best of 3: 1.09 ms per loop
1000 loops,best of 3: 619 µs per loop # <-- iterrows generator
1000 loops,best of 3: 1.1 ms per loop
10000 loops,best of 3: 25 µs per loop # <--- your solution
@H_419_8@
但是当你调整大小时：

df = pd.DataFrame({'n': np.random.randint(1,size = 1000000)})
@H_419_8@
差异消失了：

10 loops,best of 3: 40.5 ms per loop 
10 loops,best of 3: 40.7 ms per loop # <--- iterrows
10 loops,best of 3: 56.9 ms per loop
@H_419_8@
您的解决方案是最快的,那么为什么不使用它呢？

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

df = pd.DataFrame({'n': np.random.randint(1,size = 1000000)})
@H_419_8@
差异消失了：

10 loops,best of 3: 40.5 ms per loop 
10 loops,best of 3: 40.7 ms per loop # <--- iterrows
10 loops,best of 3: 56.9 ms per loop
@H_419_8@
您的解决方案是最快的,那么为什么不使用它呢？

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

10 loops,best of 3: 40.5 ms per loop 
10 loops,best of 3: 40.7 ms per loop # <--- iterrows
10 loops,best of 3: 56.9 ms per loop
@H_419_8@
您的解决方案是最快的,那么为什么不使用它呢？

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

我明白了：

但是当你调整大小时：

差异消失了：

您的解决方案是最快的,那么为什么不使用它呢？

我明白了：

1000 loops,best of 3: 1.09 ms per loop
1000 loops,best of 3: 619 µs per loop # <-- iterrows generator
1000 loops,best of 3: 1.1 ms per loop
10000 loops,best of 3: 25 µs per loop # <--- your solution
@H_419_8@
但是当你调整大小时：

df = pd.DataFrame({'n': np.random.randint(1,size = 1000000)})
@H_419_8@
差异消失了：

10 loops,best of 3: 40.5 ms per loop 
10 loops,best of 3: 40.7 ms per loop # <--- iterrows
10 loops,best of 3: 56.9 ms per loop
@H_419_8@
您的解决方案是最快的,那么为什么不使用它呢？

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

df = pd.DataFrame({'n': np.random.randint(1,size = 1000000)})
@H_419_8@
差异消失了：

10 loops,best of 3: 40.5 ms per loop 
10 loops,best of 3: 40.7 ms per loop # <--- iterrows
10 loops,best of 3: 56.9 ms per loop
@H_419_8@
您的解决方案是最快的,那么为什么不使用它呢？

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

10 loops,best of 3: 40.5 ms per loop 
10 loops,best of 3: 40.7 ms per loop # <--- iterrows
10 loops,best of 3: 56.9 ms per loop
@H_419_8@
您的解决方案是最快的,那么为什么不使用它呢？

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

但是当你调整大小时：

差异消失了：

您的解决方案是最快的,那么为什么不使用它呢？

但是当你调整大小时：

df = pd.DataFrame({'n': np.random.randint(1,size = 1000000)})
@H_419_8@
差异消失了：

10 loops,best of 3: 40.5 ms per loop 
10 loops,best of 3: 40.7 ms per loop # <--- iterrows
10 loops,best of 3: 56.9 ms per loop
@H_419_8@
您的解决方案是最快的,那么为什么不使用它呢？

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

10 loops,best of 3: 40.5 ms per loop 
10 loops,best of 3: 40.7 ms per loop # <--- iterrows
10 loops,best of 3: 56.9 ms per loop
@H_419_8@
您的解决方案是最快的,那么为什么不使用它呢？

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

差异消失了：

您的解决方案是最快的,那么为什么不使用它呢？

差异消失了：

10 loops,best of 3: 40.5 ms per loop 
10 loops,best of 3: 40.7 ms per loop # <--- iterrows
10 loops,best of 3: 56.9 ms per loop
@H_419_8@
您的解决方案是最快的,那么为什么不使用它呢？

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

您的解决方案是最快的,那么为什么不使用它呢？

您的解决方案是最快的,那么为什么不使用它呢？

for j in range(len(df)):
    if df.n.iloc[j] % 2 == 0:
        break
@H_419_8@

总结

以上是编程之家为你收集整理的python – 在pandas DataFrame中查找(仅)满足给定条件的第一行全部内容，希望文章能够帮你解决python – 在pandas DataFrame中查找(仅)满足给定条件的第一行所遇到的程序开发问题。

如果您也喜欢它,动动您的小指点个赞吧