使用python的pandas模块时，查找和修改dataFrame中的值速度非常慢，请问是什么原因，有什么好办法解决吗？

Question

最近在用pandas做一个机器学习的项目，训练集大概2G。我用的dataFrame来操作数据，对训练集做了一次groupby和mean的操作，速度还挺快的，但把得到的结果赋值给用户参数（也是一个dataframe表）的时候，速度缺特别慢，请问这是什么原因呢？
训练集大概有7000多万行，做groupby和mean操作大概十几分钟也就完成了，但赋值操作缺超级慢，每秒钟大概只能赋值50条左右，差距太大了。其中赋值语句大概是这样操作的：
dataframeA.loc[user,'']=dataframeB.loc[user,'']。两张dataFrame表都很大，都是百万级的，不知道是不是和量级较大有关，但千万级的训练集做groupby也没什么压力啊，而且这个机器学习项目，会经常使用和修改表中的参数，如果都这么慢的话，可能就无法正常使用了，哪位大神有什么好的解释或者建议吗？非常感谢了。部分代码如下，有什么细节没有说清楚的话可以问我，我再详细解释下。

def get_average_rating(self):
        self.u = log_train['Result'].mean()
        print 'u is ',self.u
        i,j = 0,0
        user_mean_rate = log_train.groupby('UserId').agg({'Result':np.mean})
        item_mean_rate = log_train.groupby('ItemId').agg({'Result':np.mean})

        #计算bias
        print 'calc bias start'
        start_time = time.time()
        for user in train_users:
            i += 1
            if i%2000==0:
                print '2000 used time',time.time()-start_time
                start_time = time.time()
            self.user_params.loc[user,'bias'] = user_mean_rate.loc[user,'Result']-self.u
        for item in train_items:
            self.item_params.loc[item,'bias'] = item_mean_rate.loc[item,'Result']-self.u

        print 'bias total used time',time.time()-start_time

Answer 1

pandas 存在 df.iterrows() 的generator 来循环DataFrame 的 row, 这样的效率是最高的。

详细可以看文档说明：
http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.iterrows.html

Answer 2

没做过这么大的数量级，但我的经验是，df最好不要逐条操作，基本都慢，整列操作快很多
1.增 (append)
最好在一个空的df写好全部新增值，然后merge
但有时直接append也是难免的
2.删
直接用del语句比较快
3.改
也是采用合并的思路，覆盖原值

Answer 3

我感觉不是赋值慢
self.user_params.loc[user,'bias']这条等于是一级index里再取二级index，应该会很慢
能否把item和user分成两个dataframe呢？

Answer 4

loc是最慢的。尽量用ix代替。最好能使用iterrows 构造循环。

Answer 5

赋值的话用iterrows不行，因为文档里写了ou should never modify something you are iterating over.

Answer 6

s = log_train.groupby('UserId')['Result'].transform(mean),用这个返回和self.u 行数相等的列，直接使用 s-u 得到每个user 对应的均值差，然后直接根据user赋值给self.user_params['bias']。 在做计算时候 尽量使用np.array 直接计算，避免 for 循环。